Академический Документы
Профессиональный Документы
Культура Документы
ЛУКАШИН
АДАПТИВНЫЕ
МЕТОДЫ
КРАТКОСРОЧНОГО
ПРОГНОЗИРОВАНИЯ
ВРЕМЕННЫХ
РЯДОВ
Рекомендовано
Учебно-методическим объединением
по образованию в области статистики
в качестве учебного пособия для студентов
высших учебных заведений, обучающихся
по специальности 161700 "Статистика"
и другим экономическим специальностям
МОСКВА
"ФИНАНСЫ И СТАТИСТИКА"
2003
УДК 338.27.015(075.8)
ББК 65.23я73
Л84
РЕЦЕНЗЕНТЫ:
кафедра статистики и эконометрики
Московского государственного университета
экономики, статистики и информатики — МЭСИ
(заведующий кафедрой доктор экономических наук,
профессор B.C. Мхитарян);
Е.М. Четыркин,
доктор экономических наук, профессор
Лукашин Ю.П.
Л84 Адаптивные методы краткосрочного прогнозирования
временных рядов: Учеб. пособие. - М.: Финансы и статисти-
ка, 2003.-416 с : ил.
ISBN 5-279-02740-5
Посвящено построению статистических моделей с переменными
параметрами для прогнозирования нестационарных временных рядов.
Рассмотрены адаптивные модели полиномиальных и стохастических
трендов, сезонных и циклических колебаний, гистограмм, модели се-
мейства ARIMA, ARCH. Приводятся примеры прогнозирования курсов
акций, валют, цен на золото. Материалы пособия апробированы на
занятиях в МЭСИ, МИРБИС и других вузах.
Для студентов, аспирантов, преподавателей экономических вузов,
менеджеров и финансовых аналитиков.
§ 2. ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ
17
где N — количество членов ряда;
So — некоторая величина, характеризующая началь-
ные условия для первого применения формулы
(1.1) при * = 1.
Так как ß < 1, то при N ->- оо ß w -> 0, а сумма коэф-
фициентов
и дисперсию
(1.4)
ены ряда**
ены ряда**
от Р~ *•« 1Л о>
= 0,5
о т
о
II
о
II 8| о
II
О
II
II II II Р* пII II II
0 а 8 в
а
1 510 506,4 508,0 509,6 16 512 505,7 513,3 513,1
2 497 505,5 502,5 498,3 17 510 506,1 511,7 510,3
3 504 505,3 503,2 503,4 18 506 506,1 508,8 506,4
4 510 505,8 506,6 509,3 19 515 507,0 511,9 514,1
5 509 506,! 507,8 509,0" 20 522 508,5 517,0 621,2
6 503 505,8 505,4 503,6 21 523 509,9 520,0 522,8
7 500 505,2 502,7 500,4 22 527 511,6 523,5 526,6
8 500 504,7 501,4 500,0 23 523 512,8 523,2 523,4
9 500 504,2 500,7 500,0 24 528 514,3 525,6 527,5
10 495 503,3 497,8 495,5 25 529 515,8 527,3 528,9
11 494 502,4 495,9 494,2 26 538 518,0 532,7- 537,1
12 499 502,0 497,5 498,5 27 539 520,1 525,8 538,8
13 502 502,0 499,7 501,2 28 541 522,2 538,4 540,8
14 509 502,7 504,4 508,3 29 543 524,3 540,7 542,8
15 525 505,0 514,7 523,3 30 541 525,9 540,9 541,2
* Во всех случаях начальное значение экспоненциальной средней было
1 " x ss e
принято "равным ~Т~ ^ t ^-
** См. приложение Л» 4.
1
Свойства сглаживания особенно наглядно проявляются при
значительной колеблемости исходных данных. В связи с этим для
иллюстрации взят один из показателей, отражающий конъюнк-
т
УР"Ь1е колебания американской экономики, - курс акций фирмы
ИБМ, производящей электронно-вычислительные машины. Этот вре-
менной ряд уже использовался для испытания некоторых адаптив-
ных моделей Р.Г. Брауном, из работы которого [47] он и взят.
20
ö
Определим S0KaK-i 2 * * = j (510 + 497 + 504 + 510 +
+ 509) = 506. Дальнейшие вычисления при а = 0,1 вы-
глядят следующим образом:
S t =.<*#! + (1 — a) S o = 0,1 • 510 + 0,9 • 506 = 506,4;
5 2 = ахг + (1 — а) S x = 0,1 • 497 + 0,9 .- 506,4 =
= 505,46;
5 3 = ах9 + (1 — а) S a = 0,1 • 504 + 0,9 • 505,46 =
= 505,31 и т. д.
Результаты вычислений экспоненциальных средних при
а = 0,1, а = 0,5 и а = 0,9 приведены в табл. 1.1.
На рис. 1.1 изображен график динамики временного
ряда и экспоненциальных средних при а = 0,1 и а = 0,5.
На графике наглядно проявляется влияние величины а на
подвижность экспоненциальной средней.
§ 3. НАЧАЛЬНЫЕ УСЛОВИЯ
ЭКСПОНЕНЦИАЛЬНОГО СГЛАЖИВАНИЯ
1 0,900 0,100
2 0,810 0,090 0,100
3 0,729 0,081 0,090 0,100
4 0,656 0,073 0,081 0,090 0,100
Вес чет-
'Вес началь- Sec первого Вес второго Вес третье- вертого
Итерация ной величины го члена • члена
члена ряда члена ряда
ряда ряда
1 ; 0,474 0,526
2 0,299 0,332 . 0,369
3 : 0,212 0,236 0,262 0,291
4 0,160 0,178 0,198 0,220 0,244
(1.5)
Pi ССопт VI 1 ССовт
Таблица 1.5
Dc/a% как функция от а при pi>l/3
Таблица 1.7
Зависимость pi крит от т
т• 1 2 3
§ 5. РЕАКЦИЯ МОДЕЛИ
НА НЕКОТОРЫЕ СТАНДАРТНЫЕ
ВХОДНЫЕ ПОТОКИ ДАННЫХ
Реакция на импульс
Первым и наиболее важным тестом является импульс
(дельта-функция Кронекера):
xt = б (/) или х0 — 1; xt = 0 при t Ф 0.
Одиночные импульсы представляют собой события, вы-
званные посторонними для изучаемого явления причинами.
В экономике импульс отражает разовое явление, имеющее
место лишь в данный момент времени. В общем случае тре-
бование к прогнозирующей системе состоит в том, чтобы
ее реакция на импульс была как можно слабее, ибо дейст-
вие импульса кратковременно и не будет проявляться в бу-
дущем. Эта реакция характеризует фильтрующие свойства
системы.
Реакция на импульс является функцией времени ht.
Она описывает выход системы через t единиц времени после
поступления единичного импульса на вход. Любой дискрет-
ный временной ряд можно рассматривать как серию импуль-
сов соответствующей амплитуды. Если реакция линейной
29
системы на единичный импульс есть ки то ее реакция на
последовательность импульсов х в момент t определяется
как результат сложения реакций на каждый импульс, т. е.
как сумма:
(1.6)
В экономических исследо-
ваниях ступенчатое измене-
ние может отражать резкое
изменение уровня производ-
ства, спроса или потребле-
ния какого-либо товара в ре-
зультате поворота моды, внед-
рения значительного науч- Рис. 1.5. Влияние а на скорость
ного открытия, изменения реакции прогнозной
т=3
модели при
политической или внешнеэко-
номической ситуации.
Единичный ступенчатый скачок является следующей
функцией:
Ступенчатый скачок
„ Г(Н<0, l-ß'+l 0
*<-{i />о
Линейный рост
хгЫ, feß
JL
a
Парабола 2
xt*=>t , Q>0
a • aa
§ 6. СВОЙСТВО ОПТИМАЛЬНОСТИ
(1.9)
34
которые минимизируют дисперсию ошибки прогноза ряда
(1.8). Он пришел к выводу, что оптимальными весами в мо-
дели (1.9) будут:
(1.10)
(1.11)
36
где cclt а 2 , а 3 являются параметрами модели, 0 < ах, а 2 ,
«з < 1; et — xt — lei (t — 1) — ошибка прогнозирования.
На основе практических испытаний модели на многих
экономических рядах Бокс и Дженкинс пришли к выводу,
что включение в модель разности ошибок не является необ-
ходимым. Коэффициент сс3 всегда оказывался близким к
нулю. П. Харрисон [65] пришел к такому же заключению.
Это объясняется стохастическим характером данных, и, в
частности, тем, что корреляция ошибок в подобных слу-
чаях неустойчива.
Харрисон провел эмпирическое сравнение однопараме-
трической модели Брауна с многопараметрическими моде-
лями. Многопараметрические модели ни в одном случае не
дали заметного преимущества. Поэтому на практике для
прогнозирования рядов с линейной тенденцией предпочти-
тельнее использовать более простую модель Брауна. Из
теоретического сопоставления различных моделей, прове-
денного П. Харрисоном [67] и Д. Вардом [108], следует ана-
логичный вывод. К положительным чертам метода Брау-
на можно отнести следующие: логичная, ясная и легко
понимаемая' концепция; оптимальное значение единствен-
ного параметра можно быстро найти эмпирическим путем;
коэффициенты модели прогнозирования оцениваются сов-
местно таким образом, чтобы уменьшить автокорреляцию
в остатках. Все это делает модель Брауна легко примени-
мой. Мы еще вернемся к ней в следующей главе.
§ 8. СТОХАСТИЧЕСКИЙ ПРОЦЕСС
ТЕЙЛА И ВЕЙДЖА
Г. Тейл и С. Вейдж [103] аналогично тому, как
это сделал Д. Мат [84] при изучении экспоненциальной сред-
ней, в целях дальнейшего изучения свойств адаптивных мо-
делей предложили применить двухпараметрический предик-
тор Хольта (1.10) для прогнозирования некоторого вероят-
ностного процесса, характеризующегося стохастическим
трендом. Они вывели выражения для определения опти-
мальных параметров адаптации, минимизирующих средний
квадрат ошибки прогнозирования.
Процесс Тейла—Вейджа аналитически записывается как:
(1.12)
37
где eh, t — значение уровня исследуемого временного
ряда xt в момент t;
да_ f — прирост уровня от момента t — 1 к моменту t\
Et, 'vt — временные последовательности с нулевым
математическим ожиданием, постоянными
дисперсиями и отсутствием ковариации, т. е.
(1.13)
где
Ошибка прогноза:
§ 9. ПРИМЕРЫ
Лаг k
Ряд
1 2 3 4 б 6
1
Используется ряд цен на золото на Лондонском рынке на на*
чало рабочего дня с 1 апреля 1971 г. по 14 сентября 1972 г.
41
иметь следующие свойства!
и
жа. Несмотря на то-что эти модели в дальнейшем получили
эмпирическое или теоретическое развитие, они и без усо-
вершенствования сохраняют практическое значение. Глав-
ное их достоинство — простота и возможность построения
48
Каждая компонента вектора модифицируется -простым
экспоненциальным сглаживанием нуля или единицы. На-
пример, если исследуется система из 3 событий и наблю-
дение означает наступление второго, то
1
Если прогнозы составляются на отрезок времени, больший чем
I, то повторно используется / наиболее свежи* оценок коэффициен-
тов сезонности Ъ + t-i, ,..,%
52
где alt о — начальное значение ах\
Jtt о — начальное значение f в соответствующей i фазе
(месяце) цикла (года);
J — наибольшая целая часть -? .
Следовательно, прогноз является функцией всех прош-
лых значений фактического ряда, параметров ах и а 2 и на-
чальных условий 2^,0, fi,0, ?i.o, - , ho-
Влияние начальных условий на прогноз зависит от ве-
личины весов и длины ряда, предшествующего текущему
моменту t. Влияние ai, 0 обычно будет уменьшаться быстрее,
чем влияние начальных значений Jt,0, так как ах пересмат-
ривается на каждом шаге, а ft только один раз за цикл.
, Если эта сезонная модель прогнозирования, структура
которой не содержит элементов для отражения какой-либо
тенденции роста, применяется для прогнозирования ряда,
•характеризующегося ярко выраженной тенденцией, то ко-
эффициенты % перестают быть простыми коэффициентами
сезонности и вскоре вбирают в себя в определенной мере
эффект роста., Например, при обработке ряда ежемесячных
наблюдений с длительной тенденцией к повышению будет
получена сумма двенадцати /ь превышающая 12. Именно
это и компенсирует отсутствие в структуре модели соответ-
ствующих элементов.
Если ряд имеет тенденцию, а многие ряды, по-видимому,
ее имеют, то в модель необходимо ввести специфический
член, учитывающий эту тенденцию.
1
Об особенностях прогнозирования временных рядов после
логарифмического преобразования см. приложение № 3.
58
Учитывая (2.2) и вычитая из полученного ält t прежнюю
оценку«^ t _i, можем получить оценку äZt t. Однако посколь-
ку вычисления *£, t не являются совершенными, в частности
потому, что не принимались в расчет остатки из (2.1), то,
очевидно, лучше не полагаться на эту разность полностью,
а считать ее «фактическим» свидетельством динамики ряда
по
и объединить со старым значением ß a , t - i известной
формуле экспоненциального сглаживания
(2-4)
где а а и (1 — а а ) — веса двух источников информации.
Наконец, та же процедура применяется для получения
оценки gt. Новое «фактическое» значение сезонного фактора
будет xt — аХу ь старое значение равно gt _ и экспоненци-
ально-сглаженное значение
(2.5)
Все три параметра • сглаживания будут удовлетворять
условию 0 <; <хь а а , а 3 <С 1.
Адаптивное прогнозирование теперь провести сравни-
тельно просто. Предположим, что t — текущий момент вре-
мени, так что dt,t, «a.t gt> St-if — имеются в нашем рас-
поряжении. Предположим также, что мы хотим получить
прогноз величины Xt+% (прогноз на % шагов вперед). Экст-
раполируем тенденцию линейного роста, используя самое
последнее значение коэффициента a^ti, добавляем самую
свежую оценку сезонного члена для этой фазы цикла и пре-
небрегаем шумом. В результате получаем
при условии, что 0 < t < /. Если I < х < 2/, то необходи-
мо gf-j-и заменить на gt-ц+х и т * Д«
Модель готова, Однако на практике удобнее осуществ-
лять адаптивное регулирование alt u aZtt Kgt с помощью
Уравнений, связывающих эти величины с ошибкой прогно-
за, сделанного в конце периода t — 1 на один шаг вперед.
Уравнение (2.3) можно переписать следующим образом:
57
из уравнений (2.3) — (2.5) легко получить:
(2.7)
(2.8)
Корректировки всех параметров модели совпадают по
знаку и пропорциональны по величине ошибке последнего
прогноза на один шаг вперед. Коэффициентами пропорци-
ональности будут аъ ахссг и (1 — ai)a 3 соответственно.
Можно заметить, что процедура (2.3) — (2.5) является
рекурсивной в том смысле, что для определения alt t исполь-
зуются прошлые данные о сезонных колебаниях и коэффи-
циенте роста. Оценка %, t используется для получения но-
вых значений а2, t и gt. Но совершенно очевидно, что прош-
лые значения сезонного фактора и коэффициента роста при
вычислении а1г t являются лишь суррогатом; не лучше ли
было использовать более свежие, текущие оценки этих ком-
понент? Рассмотрим такой вариант.
Вместо выражения (2.3) имеем:
(2.9)
Выражения (2.4) и (2.5) остаются прежними, и путем их под-
становки в (2.9) получаем:
l 2 3
\ ^ Характер
\ . сезонности
Отсутствие сезон- Аддитивный се- Мультипликатив-
Тенденция ^"Ч. ного эффекта зонный эффект ный сезонный
роста \ . эффект
di xt Xt—gt-l Xtlft-l
Отсутствие
А тенденции
роста
d% «M-l
a
i,t-x
dx xt xt—gt-l xt/ft-i
В Аддитивный
рост
di ei,«-l+ß2,t-X 01,<-1 + в2,<-1
di xt xt—gt-l xtltt-l
С Экспоненци-
альный рост
d* ai,t~i ft-x <ti,t-\ 4-х «i.<-i U-x
»
rt — коэффициент экспоненциального роста, его полу-
чают по формуле
61
Прогнозы фактических значений, ожидаемых в момент
t + т, могут быть получены по общей формуле
V*. Характер 1 2 3
\. сезонности
Отсутствие Аддитивный се- Мультипликатив-
сезонного зонный эффект ный сезонный
Тенденция >». эффекта эффект
роста >.
Отсутствие
А тенденции
роста
Аддитивный
В рост
С Экспонен-
циальный
рост
§ 3. АППРОКСИМАЦИЯ
ПОЛИНОМИАЛЬНЫХ ТРЕНДОВ
С ПОМОЩЬЮ МНОГОКРАТНОГО СГЛАЖИВАНИЯ
Многократное сглаживание
соотношением
64
Система« + 1 линейных уравнений может быть разреше-
на относительна коэффициентов предсказывающего полино-
ма по формуле
Начальное условие:
Оценка коэффициента:
Прогноз:
Начальные условия:
Оценки коэффициентов:
Прогноз:
66
Адаптивная полиномиальная мо-
д е л ь в т о р о г о п о р я д к а : п = 2.
Гипотеза:
Экспоненциальные средние:
Начальные условия:
Оценка коэффициентов:
Прогноз:
68
Вообще для выравнивания порядка р эквивалентная по-
стоянная сглаживания будет такая, что
70
ли второго порядка превышают значения входного ряда, а
затем приближаются к ним.
При прогнозировании параболы (рис. 2.6) первая модель
все больше отстает от ее фактических значений; второй мо-
дели присуще постоянное смещение. Все более точные про-
гнозы дает квадратическая модель.
(2.11)
т.е.
74
Так как 0 < (1 — у) < ], то при t -у <х> этот ряд сходит-
ся и его сумма равна:
Таблица 2.4
Функция распределения контрольного сигнала
в случае двойного экспоненциального сглаживания
(полиномиальная модель первого порядка)
Вероятность Кт
Р(\К1<Кт) V=0,2 7=0,3 V=0,4 V=0,5
v=o,i
76
где
где
где
79
а для прогноза по полиномиальной модели второго порядка
она квадратично возрастает от г:
f(0) !(1)
1 h 1 1
Среднеквадратнческая ошибка
Дисперсия прогноза кумулятивного прогноза
TtPMfnTT
ß ß
прогнози- 0,7600 0,9000 0,9500
0,7500 0,9000 0,9500
рования
6-1866 81
Таблица 16
Адаптивная Полиномиальная Модель первого порядка
Гипотеза:
Модель:
Число коэффициентов: п—2.
1 0 КО) 1 (1)
к 1 1
1 1 h о •1
период
Р ß
прогнози- 0,86603 0,94868 0,97468 0,86603 0,94868 0,97468
рования
82
Таблица 2.7
Адаптивная полиномиальная модель второго порядка
Гипотеза:
Модель:
Число коэффициентов: « = 3 .
f(0) f (1)
1 0 0 1
1 1 0 h о 1
0 1 1 h о 0
(
ß 0,90856 0,96549 о, 38305 ß= 0,908560,96549 0,98305
l-ßt = 0,25 0,10 о,<35 l-ß«= 0,25 0,10 0,05
Ai 0,25000 0,10000 0,( 35000 D( 0,182730,07038 0,03478
к 0,02394 0,00351 0J 355 X
X Ю-з
D( 0,00154O,758X 0.875X
X10-4 xio-* Л 5
R
Среднеквадратическая ошибка
Дисперсия прогноза кумулятивного прогноза
ß
период
прогнози- 0,90856 0,96549 0,98305 0,90856 0,96549 0,98305
рования
Гипотеза:
Модель:
Число коэффициентов: /г—3.
f(0) f(l)
1 0 0 h ^ 1,00000
0,86603 0,50000 <)I 50000
0
0 -0,50000 0,86603
h
h
о,
0 , 86603
период '
ß ß
прогнози-
рования 0,90856 0,96549 0,98305 0,90856 0,96549 0,98305
Гипотеза:
Модель:
Число коэффициентов: п = 4.
Матрица перехода L Начальные условия
1 0 0 0 f(0) f (1)
0 0 1 ,00000
1 1
0
0
0
0
0,86603
-0,50000
0,50000
0,86603
Ü 0 1 ,00000
кпппп
и ,öUUUU
0
Ü 1
0 ,86603
0,98726
прогнози- 0,98726 0,93060 < ),97400
0,93060 0,97400
рования -
•
.
1,0000 1,0000
1 0.172С 0,0602 0,0291 1,0000 1,4342
1,4545
2 0,1798 0,0613 0,0293 1,5188
1,8224 1,7769
3 0,1825 0,0621 0,0296 1,9656
n 1440 2,0715
4 0,1824[ 0,0626 0,0297 2,369U 2,4325 2,3336
5 0,1825 0,0629 0,0298 2,7361 2,6951 2,5713
6 0,1821/г 0,0630 0,0298 3,0732 2,9379 2,7903.
7 0,183« 0,0631 0,0298 3,3884 3,1666 2,9953
8 0.185J 0,0632 0,0298 3,6923 3,3872 3,1905
9 0,189«$ 0,0637 0,0299 3,9968 о 6054 3,3796
10 0,1997Г 0,0646 0,0301 4,3135 3,8255 3,5656
11 0,21651 0,0660 0,0304 4,6518 4,0504 37503
12 0,23351 0,0677 0,0308 5,0166
85
Влияние величины периода упреждения т
оптимальное значение параметра адаптации а и средний квадрат
экспериментов
|
ело точек
модели
Выборка из ряда Средний
а, квадрат
ошибки
I 2 3 4 8 6
1 1 I 1
а
1||
и ио
а
ill §
а
ill
б-Sl 2
а
§§*°
U XО
§ 5. ПРИМЕРЫ
Пример 2.1
Проведен эксперимент, целью которого было вы-
явление влияния величины периода упреждения т на выбор
порядка полиномиальной модели и величину оптимального
а в моделях многократного сглаживания. Результаты пред-
ставлены в табл. 2.10. В этой таблице номера моделей озна-
чают: № 1 — полиномиальная модель нулевого порядка,
№ 2 — полиномиальная модель первого порядка, № 3—
полиномиальная модель второго порядка.
Как-видно из таблицы, в экспериментах № 4, 8, 9, 10 с
увеличением т произошла замена одной модели другой. В
экспериментах № 1 1 , 14,16,17, 18, 22 значение оптималь-
ного а с ростом % заметно падает. Это означает, что с увели-
чением периода упреждения веса, приписываемые членам
ряда, перераспределяются в пользу более ранних наблюде-
ний. В остальных случаях величина а 0 П т остается прибли-
зительно постоянной.
Пример 2.2
На рис. 2.7 изображены прогнозы курса акций ИБМ,
полученные по полиномиальной модели Брауна второго по-
рядка с h — 0,1. Доверительные уровни прогнозов, нане-
сенные на график, определялись адаптивно методом экс-
поненциального сглаживания квадратов ошибок прогно-
зов с постоянной сглаживания а = 0,1. Анализ графика по-
казывает, что реальный процесс укладывается в получен-
ные таким образом доверительные уровни. Однако для луч-
шего выравнивания квадратов ошибок целесообразно ис-
пользовать а < 0,1.
88
Глава 3
АДАПТИВНАЯ МОДЕЛЬ
ПРОГНОЗИРОВАНИЯ ВРЕМЕННОГО РЯДА,
ГЕНЕРИРУЕМОГО
АВТОРЕГРЕССИОННОЙ СХЕМОЙ
С ДРЕЙФУЮЩИМИ КОЭФФИЦИЕНТАМИ
§ 2. АДАПТАЦИЯ КОЭФФИЦИЕНТОВ
МОДЕЛИ АВТОРЕГРЕССИИ
где Kt — следящий
1
-контрольный сигнал.
На рис. 4.1 показано испытание полиномиальной мо-
дели нулевого порядка с переменным, параметром а при
прогнозировании искусственного ряда.
откуда
при ( 1 — ß4) = 0 , 1 , т = 1.
Пунктирная линия обозначает реакцию той же модели,
когда hx^lKtl-
Практическое моделирование дало результаты, похожие
на представленные на рис. 4.1—4.3, т. е. приравнивание Кх
модулю следящего контрольного сигнала дает значительно
101
большую скорость приспособления к новому характеру
ряда.
Ясно, что не во всех реально возникающих ситуациях
модели с адаптивным параметром а дают лучшие прогнозы
по сравнению с обычными адаптивными системами. На
рис. 4.4 показаны сравнительные реакции этих моделей
на большой одиночный импульс. Система с адаптивной JCKO-
ростью испытывает большее возмущение от этой случайной
помехи. М. Л. Шоун [99] предлагает решать проблему чрез-
^ч. Срок
х,. прогноза х
1 2 3 4 S 6 7 8 9 10
Полиноииаль-^N.
иая модель \ ^
Брауна порядка 0 248 297 349 402 458 518 579 643 707 772
порядка 1 180 217 255 297 343 388 435 477 512 559
порядка 2 182 221 263 320 388 436 471 493 613 716
ТЛШ порядка 0 63 102 134 169 205 248 303 362 421 474
? = 0 , 3 порядка 1 61 100 132 167 205 247 299 345 369 403
порядка 2 61 100 138 197 297 352 373 318 400 525
^ ч Срок
N^ прогноза т
2 3 5 6 7 8 9 10
Полнномналь- Л.
ная модель ^ \
Брауна порядка 0 2,16 2,57 2,98 3,40 3,85 4,32 4,81 5,32 5,84 6,38
порядка 1 1,48 1,75 2,01 2,28 2,56 2,86 3,18 3,50 3,83 4,17
порядка 2 1,64 1,96 2,27 2,59 2,94 3,31 3,71 4,12 4,56 5,01
ТЛ порядка 0 0,68 1,13 1,45 1,70 1,97 2,22 2,55 2,89 3,18 3,47
Y=0,3 порядка 1 0,69 1,13 1,42 1,64 1,87 2,07 2,35 2,63 2,85 3,07
порядка 2 0,72 1,14 1,41 1,61 1,81 1,98 2,23 2,45 2,61 2,79
ТЛШ порядка 0 0,57 0,95 1,26 1,52 1,79 2,09 2,46 2,86 3,22 3,51
7 = 0 , 3 порядка 1 0,60 0,95 1,21 1,42 1,62 1,85 2,15 2,47 2,75 2,94
порядка 2 0,62 0,96 1,22 1,43 1,63 1,85 2,14 2,42 2,67 2,84
ф
* Еслиотне простое число, то возможно быстрое преобразование
УРье, экономное с вычислительной точки зрения (см. [13, вып. 2,
с 681).
106
для h = 1, 2, .... т — 1;
Т а б л и ц а 4.3
Последовательные спектры
Спектральные характеристики
Отрезок ряда
fe = 0 *-, ... й=б
Хх, . . ., Xat Fn At
#2, • . ., #37 До FiS
F31 \ Fu
107
Если величина Я,- мала по сравнению со стандартным
отклонением, то это означает, что никаких значительных
перемен в структуре временного ряда не произошло. Таким
образом, а следует оставлять малой. Когда Я* велико, ве-
личину а следует повышать вплоть до максимума, т. е.
до I.
Для определения величины а значения %t могут быть
использованы различными путями. Считалось, что новое
значение а должно зависеть от (Я*)2, чтобы сделать модель
более чувствительной к изменениям в структуре рядов.
Вводилась величина
109
Для рассматриваемого ими примера N = 36, т = б,
К = 0,75, р = 1. Отсюда
§ 3. АДАПТАЦИЯ ПАРАМЕТРА
МЕТОДОМ ЭВОЛЮЦИИ
124
Коэффициент пропорциональности gt определяется из ра-
венства суммы весов единице. Например, для базового
набора из трех моделей веса будут определяться так:
§ 3. ПРИМЕРЫ
Пример 5.1
Построим селективную АКМ. Включим в ее ба-
зовый набор предикторов полиномиальные модели Брауна
нулевого, первого и второго порядков — модели много-
кратного сглаживания с постоянной а = 0,1. Испытаем
эту модель на данных о Kypcev акций фирмы ИБМ и цене
на золото. На рис. 5.2 представлены прогнозы курса
акций на т = 3 по АКМ и по каждой из моделей, входящих
в ее базовый набор.
Об эффективности процедуры селекции по критерию В
можно судить по среднему квадрату ошибок прогнозирова-
ния в зависимости отт (рис, 5.3,5.4). Как видим, применение
процедуры селекции для малых т оказывается полезным и
приводит к уменьшению среднего квадрата ошибок прогноза.
Из графиков также видно, что выбор моделей для ба-
зового набора довольно трудное дело. Казалось бы, что
чем лучше работает модель отдельно, тем полезнее будет
ее ßKJiK/Wtf ч <?->?жй набор. Но из рис. 5.2 следует,
126
Рис. 5.2. Прогнозирование по селективной АКМ, т—3
что, хотя модель линейного роста является более точной
по сравнению с остальными двумя, при моделировании
по АКМ прогнозирование в основном производится то
по модели с гипотезой об отсутствии тенденции, то по квад-
ратической модели. Лучший результат по модели линейного
роста объясняется тем, что она является промежуточной
между двумя остальными и обладает некими компромисс-
Полиномиальная ТЛШ:
порядка 0 269 496 734 1025 1367
порядка 1 271 496 731 1023 1373
порядка 2 258 482 729 1152 1686
«Наивная» постоянная
139 374 626 922 1253
159 402 623 915 1233
АКМ—В (ав=0,6)
Т а б л и ц а 5.2
60 95 21 1 ,42 1,62
порядка 1
порядка 2 62 §: 96 l! 22 1,43 1,63
«Наивная» постоянная
1,70
о, 50 0, 87 1 18 1,45
«Наивная» линейная 4 Г* С
1 14 з 27 6 41 10,5 15,5
1 2 3 4 5 6 7 8 9 10
Модель ^*~^~^.^
ТЛШ линейная 61,4 100 132 167 205 247 299 345 369 403
Постоянная «наивная» 40,9 79 Ш 148 182 219 267 323 379 433
АКМ (03 = 0,5) 40,9 82 117 155 190 227 281 336 366 400
Число точ
средний квадрат ошибки
№ модели
Выборка нз ряда средний
с Квадрат комбини-
с ошибки модель № 1 модель № 2 модель № 3 рованная
1 2 3 4 5 6 7 8 9
1 Курс акций фирмы ИВМ, дол. 144 1 | 41,427 | 43,419 64,315 80,240 44,728
2 Курс акций фирмы ИБМ
(часть 1) 48 1 | 32,956 | 37,565 47,913 73,710 34,863
3 Курс акций фирмы ИБМ
(часть 2) 48 1 1 46,294 | 46,445 72,234 79,970 49.30&
4 Курс акций фирмы ИБМ
(часть 3) 48 1 | 43,419 | 53,252 58,787 68,305 49 ,-516
5 Цена на золото, дол. за унцию 360 1 | 0,50123^] 0,51263 0,64924 0,76728 0,65877
6 Цена на золото (часть 1) 60 1 10,08265] 0,09869 0,09877 0,14866 0,0971»
7 Цена на золото (часть 2) 60 1 10,104801 0,10958 0Д4941 0,27336 0,13601
8 Цена на золото (часть 3) 60 2 10,028841 0,02913 0,02902 0,03089 0,03224'
9 Цена на золото (часть 4) 60 1 [0,145211 0,16726 0,18879 0,30078 0,1472fr
10 Цена на золото (часть 5) 60 1 J0,84637 ( 0,96741 0,93089 0,98194 0,94999-
II Цена на золото (часть 6) 60 I 1,6928 1 1,4022 f 1,9341 2,6717 1.540Г
12 Поставка минеральных
удобрений сельскому
хозяйству, тыс. т усл. ед. 30 2 128,148-105 | 201,978-105 41,999-10s 30,898-10S 32,579-105
13 Производство электроэнер-
гии, млрд. кВт-ч 31 2 26,593 1888,7 22,829 31,063 1 21,722 |
14 Производство гидроэлектро-
энергии, млрд. кВт-ч 31 2 I 27,456 1 54,920 37,274" 38,893 32,424
15 Сумма вкладов населения
в сберкассы, млн. руб 26 2 10,92X101 307,6- 10S 19,04-105 J9,872-105| И.вб-Ю 5
16 Численность городского
населения, млн. чел. 27 2 10,32741) 28,067 0,56278 0,81668 0,43933
17 Протяженность нефте- и
нефтепродуктопроводов,
тыс. км 21 2 | 1,4529 | 13,872 1,6304 1,4723 1,5126
18 Грузооборот нефте- и нефте-
продуктопроводов, ткм 21 3 | 168,73 | 2757,0 322,11 296,64 298,66
19 Урожайность зерна,
ц. с га 30 2 | 2,2653 | 3,2946 3,1126 3,0164 3,2191
20 Урожайность картофеля,
ц с га 30 1 170,716 1 162,68 | 186,43 202,33 198,12
21 Урожайность овощей,
ц с га 30 2 | 78,732 | 121,31 90,85 100,58 117,68
22 Производство яиц,
млрд. шт. 30 2 1,9412 9,2810 2,2714 2,2063 | 1,7782 f
Т а б л и ц а 5.5
Сравнение метода Брауна с методом эволюции по средним квадратам ошибок
ретроспективных прогнозов, сделанных на два шага вперед ( т = 2 )
ы Метод Брауна Метод эволюции
№ модели
средний квадрат ошибки
Число точ
Выборка из ряда средний
с
квадрат комбиниро-
ошибки модель № 1 модель № 2 модель № 3 ванная
1 2 3 4 7 8 9
1 Курс акций фирмы ИБМ, дол. 144 1 ) 80,153 I 81,478 96,944 144,213 85,298
2 Курс акций фирмы ИБМ
(часть 1) 48 1 60,628 66,315 67,956 109,710 1 58,396 |
3 Курс акций фирмы ИБМ
(часть 2) 48 1 89,277 87,494 | 119,665 117,536 95,678
4 Курс акций фирмы ИБМ
(часть 3) 48 1 80,414 103,062 | 79,826 1 110,895 85,628
Ь Цена на золото, дол. за унцию 360 1 | 0,86646 | 0,89830 1,10362 1,28570 1,03500
6 Цена на золото (часть 1) 60 Л J 0,12906 | 0,18163 0,19527 0,21458 0,15003
7 Цена на золото (часть 2) 60 1 | 0,21768 | 0,24762 0,35511 0,40347 0,25994
8 Цена на золото (часть 3) 60 2 0,03570 0,037352 | 0,033487 | 0,037917 0,040031
9 Цена на золото (часть 4) 60 2 1 0,26517 | 0,32079 0,31179 0,48198 0,36845
10 Цена на золото (часть 5) 60 2 [t 1,2007 | 1,77632 1,32608 1,32086 1,63410
И Цена на золото (часть 6) 60 -1 2,0442 | 1,9197 | 3,1570 3,8169 2,0578
12 Поставка минеральных удоб-
рений сельскому хозяйству, 30 2 96,117-10s 684,509-105 98,276- 10s ]89,329-10б | 99,061-10&
тыс. т усл. ед.
Продолжение
Метод Брауна Метод эволюции
средний квадрат ошибки
в
к
Выборка из ряда
к !
средний
квадрат
ошибки модель № 1 " модель № 2 модель № 3
комбиниро-
ванная
I 2 13 4 5 6 7 8 9
13 Производство электроэнер-
гии, млрд. кВт-ч 31 2 113,153 6937,3 82,446 51,701 | 95,061
14т Производство гидроэлектро-
энергии, млрд. кВт-ч 31 2 59,887 158,68 60,268 | 51,062 | 51,592
15 Сумма вкладов населения
в сберкассы, млн. руб 26 2 54,069-105 1014,2.10s 80,8Ы05 | 44,59-Ю5. | 48,83-Ю5
16 Численность городского
населения, млн. чел. 27 2 1,46924 86,821 0,95485 | 1,28914 1,27009
17 Протяженность нефте- и
нефтепродуктопроводов,
тыс. км 21 2 3,3538 44,1430 2,2234 | 1,7879 | 2,0119
18 Грузооборот нефте- и нефте-
продуктопроводов, ткм 21 3 829,8 8836,7 1051,5 599,1 | 702,2
19 Урожайность зерна,
ц с га 30 2 | 2,2758 3,4959 3,3335 3,9829 4,1992
20 Урожайность картофеля,
ц с га 30 1 | 166,539 188,17 215,31 250,76 225,86
21 Урожайность овощей,
ц с га 30 2 [ 76,065 173,23 93,43 110,26 133,86
22 Производство яиц,
млрд. шт. 30 2 6,1755 26,318 | 3,2831 4,1259 4,9086
Глава 6
БАЙЕСОВСКИЙ ПОДХОД
К КРАТКОСРОЧНОМУ ПРОГНОЗИРОВАНИЮ
(6.1)
где е* — шум;
щ — возмущение уровня;
vt — возмущение коэффициента линейного роста.
Случайные компоненты ё, и, v предполагаются незави*
симо и нормально распределенными с нулевыми средними
и известными дисперсиями D e , £>u, Dv.
Этот тип модели, в котором как уровень, так и параметр
линейного роста подвержены непрерывным случайным воз-
мущениям, часто оказывается полезным в прогнозировании
практических временных рядов. Харрисоном было показа-
но [67], что при генерировании ряда моделью типа (6.1)
с постоянными дисперсиями £>е> #ц» ^о и без эффекта се-
зонности оптимальный предиктор (в смысле минимума квад-
ратов ошибок) в точности эквивалентен модели Хольта:
(6.2)
138
В дальнейшем будем различать четыре состояния про-
цесса, иллюстрируемые рис. 6.1, а именно: «отсутствие из-
менений», «ступенчатое изменение», «изменение в коэффи-
Du Dv
Состояние De
-
——————— 1.
139
§ 2. БАЙЕСОВСКИЙ ПОДХОД
(6.3)
где
Далее, пусть
(6.7)
(6.8)
141
Введем для всего алгоритма пересчета моментов, задан-
ного выражениями (6.4)—(6.8), обозначение:
(6.9)
Функция В выражает вычисление байесовского апосте-
риорного распределения в момент t через моменты апосте-
риорного распределения в момент t — 1 и дисперсии гене-
рирующего процесса.
Теперь рассмотрим генерирующий процесс с множест-
вом состояний, который описывается смесью априорных
(относительно момента t) распределений:
(6.10)
ИЗ
где Axt — некоторый отрезок переменной х, содержащий
точку xit в пределах которого плотность распределения
вероятности можно считать постоянной.
Величину К в выражении (6.14) можно считать нормали,
/}
зующим коэффициентом и найти ее из условия 2 Я}'* = 1,
Л
что полностью определяет Р}'' и апостериорное распре-
деление (6.13).
Здесь возникает одно серьезное практическое затрудне-
ние. Начиная сfc-компоиёнтногоаприорного распределения,
представленного в выражении (6.10), мы приходим к ^-ком-
понентному апостериорному распределению в (6.13). Про-
должая этот процесс, мы должны по получении последую-
щих наблюденных значений xt+1, xt+i , ..,, переходить
к апостериорным распределениям с fea, k* и т. д. компонен-
тами. Это очевидно неприемлемо с вычислительной точки зре-
ния, так как требования к объему памяти и к машинному
времени становились бы чрезмерными уже после неболь-
ших рядов наблюдений. Поэтому авторы рассматриваемого
метода предлагают некоторые приближения для удержания
требований к ресурсам компьютера в разумных рамках.
Имеется несколько путей уменьшения числа компонент
апостериорного распределения, идин из них заключается
в следующем.
Все множество компонент смеси распределений в (6.13)
с одинаковым текущим состоянием / в целом заменяется
на единственное двумерное нормальное распределение,
первые и вторые моменты которого получают соответствую-
щей процедурой взвешивания, т. е.
(6.15)
где
(6.16')
ж
Выражения для вторых моментов более громоздки.
В качестве примера приведем одно из них:
(6.16")
Рассмотренным способом удается сохранить наиболее
ценную информацию о текущем состоянии процесса в вы
и
«сжать» апостериорное распределение (a1>t, ß2, t\xt) "
ражении (6.15), приведя его к тому же виду, что и в выра-
жении (6.10) в начале цикла обновления.
Сделаем краткий обзор метода по этапам цикла обнов-
ления.
Эта,л 1. После получения наблюдения AT(_I пред-
полагается, что апостериорное распределение
где как
где
J) })
где Q\ « 2 / f • i\ a параметры Ф\ задаются уравнениями
(6.16') и (6.16").
T o r ^ I n J l ?' А п о с т е Р и ° Р н с е распределение теперь имеет
бш-fRKmo^J И Н а Э т а п е l j и слеДУюЩая итерация может
оыть выполнена аналогичным образом. •
d T a n 6
- Д л я получения прогнозов по модели
147
10*
Выбор значений параметров
Как отмечалось в § 1, будем различать четыре основные
ситуации: отсутствие изменений, ступенчатое изменение, из-
менение в коэффициенте линейного роста, случайное импуль-
сное отклонение, т. е. речь идет о четырех состояниях про-
цесса, но если необходимо различать степени изменений, то
их число может быть и большим. Авторы метода считают,
однако, что четыре состояния системы дают хорошие резуль-
таты и нет необходимости вводить более тонкие различия.
Таким образом, они берут k — 4.
Что касается остальных параметров, то при испытаниях
с большим числом их различных численных значений авто-
рами метода был сделан вывод о том, что работа системы ма-
ло чувствительна к значениям параметров, если при их вы-
боре соблюдаются некоторые правила:
1. Состоянию «отсутствия изменений» приписывается
высокая вероятность.
2. Состояние «ступенчатое изменение» должно характе-
ризоваться большим значением Ru и очень малой вероят-
ностью.
3. Состояние «изменение в коэффициенте линейного рос-
та» должно иметь или a) Ro <С Ru и ТУ ж е вероятность, чтои
и состояние «ступенчатое изменение», или б) R„ = Ru
намного меньшую вероятность, чем вероятность «ступенча-
того изменения».
4. Вероятность «случайного импульса» должна быть по
крайней мере в 10 раз больше, чем вероятность «ступенчато-
го изменения» или «изменения в коэффициенте линейного
роста».
5. Сумма относительных коэффициентов R, -f Ru -Ь Re
для состояния «случайного импульса» должны быть не мень-
ше, чем соответствующая сумма для любого другого состоя-
ния.
Условие (1) является гипотезой того, что «нормальное»
течение процесса лишь изредка прерывается скачкообраз-
ными изменениями в уровне или коэффициенте линейного
роста.
Эффект условия (2) и (4) состоит в том, что получение
первой большой ошибки будет рассматриваться системой
как случайный импульс до тех пор, пока последующие дан-
ные не подтвердят, что произошло ступенчатое изменение
уровня или коэффициента линейного роста.
148
Следствием условия (3) является то, что система стано-
вится менее чувствительной к изменениям в коэффициенте
линейного роста, чем в уровне. Во многих практических
ситуациях это свойство желательно: оно предотвращает
«раскачку» системы.
Условие (5) обеспечивает более широкий диапазон ам-
плитуд состоянию случайного импульсного возмущения.
В табл. 6.2 представлен рекомендуемый авторами метода
набор значений параметров, удовлетворяющих перечислен-
ным требованиям; этот набор давал у них хорошие резуль-
таты при проверке на искусственных и реальных данных.
Таблица 6.2
Рекомендуемые значения параметров (ft=4)
Состояние Вероятность Re Я«
0,900 1 0 0
1. Изменения отсутствуют 1 100 0
2. Ступенчатое изменение 0,003
3. Изменение коэффициента линей- 1 0 1
ного роста 0,003
4. Случайное импульсное откло- 101 0 0
нение 0,094
150
ленность системы резко возрастает — прошлые данные те-
перь не дают информации относительно нового уровня, а за-
тем быстро уменьшается с получением новых фактических
данных. Поведение в точке D, где имеет место изменение
коэффициента линейного" роста, отличается своеобразием.
Фактически истинное событие в течение некоторого времени
скрыто нормальной колеблемостью. Если последовательно
открывать на графике данные, то вплоть до t = 44,45 не
ясно, было ли это изменение в коэффициенте роста, и даже
после этого момента представление о его величине далеко от
определенности. Байесовская система в целом оказывается
весьма неопределенной относительно значений уровня и
коэффициента линейного роста, но она становится более чув-
ствительной, постепенно адаптируется' и возвращается к
нормальному состоянию по мере того, как последующие
данные подтверждают новое направление развития ряда.
Исследование чувствительности этой системы показало,
что ее эффективность (с точки зрения точности прогнозов)
слабо зависит от четырехкратных ошибок в оценкеD o . Столь
большие ошибки в оценке этой величины на практике пред-
ставляются почти невероятными.
Несмотря на то что описанный метод не получил распро-
странения и требует большего объема вычислений, чем ме-
тоды Хольта, Брауна или Бокса и Дженкинса (см. гл. 7),
он представляет значительный интерес и заслуживает изуче-
Т а б л и ц а 6.3
Состояние
"о
Отсутствие изменений 1 0 0 1 0 0 1 0 0
Т а б л и ц а 6.5
Варианты значений параметров байесовской модели
с четырьмя состояниями,
из которых отыскивался наилучший вариант
№ варианта
значений
параметров 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15»
№ варианта
значений от-
носительных
дисперсий
(см. табл.
6.3) 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3
№ варианта
априорных
вероятно-
стей состоя-
ний (см.
табл. 6.4) 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
%
:ло-
Вариант
е-
к Вариант парамет-
ом 3и парамет- Наилуч- ров, даю-
«а А ров, реко- ший вари- щий ре-
Выборка
0)
с мендуемый ант пара- зультаты,
о авторами метров близкие
из ряда а « метода к наилуч-
tf
о
(•>
gii к шим
о о» пя
п/п
• я
средний т pi средни! средний
чя § квадрат ™ а квадрат квадрат
1-
V
3
sis
4 5
ошибки
6
•Si S
«5 а
7
ошибки
8
eg
9
ошибки
10
2
153
Продолжение
о
Вариант
Ь1 №
S
Вариант
параметре» Наилуч-
парамет-
ров, даю-
# 2 О.
рекомен- ший вари- щий ре-
Выборка й) дуемый , ант пара- зультаты,
§£ К
S а; ч&•
м авторами метров близкие
%
из ряда в* метода к наи-
s № лучшим
8 8
«01 S
О S-J
о Ч «^
О "Л.
я Igs
'Iо в
средний
квадрат
щ
я
средний
квадрат
я
к
средний
квадрат
V ~ «я ОС1 ошибки ошибки ошибки
1 2 ~т 4 S 6
£g
7 8 т
1 Производство
электроэнер-
гии, млрд.
кВт-ч 31 15 158,92 461,50 12 59,315 59,995
1 Производство
гидроэлектро-
энергии, млрд
кВт-ч 31 15 26,280 48,825 11 30,743 1 30,752
15 Сумма вкладов
населения
в сберкассы, 34.307Х 38.32Х
млн. руб 26 15 186324 212,8-10 2 ХЮ5 1 xios
16 Численность
городского
населения,
млн. чел. 27 15 1,0546 1,1694 12 0,4961 7 0,5008
17 Протяжен-
ность нефте- и
нефтепродук-
топроводов,
тыс. км 21 15 0,53562 6,09359 12 1,50304 7 1,52253
18 Грузооборот
нефте- и
нефтепродук-
топроводов,
гкм 21 15 382,646 2052,27 12 529,64 7 538,76
19 Урожайность
1 с га 30 15 0,63794 2,54825 5 2,49374 10 2,52021
20 Урожайность
картофеля,
1 с га
21 Урожайность 30 15 38,720 70,871 5 170,635 10 170,825
овощей,
I с га 30 15 6,142 81,834 5 81,231 10 81,699
22 1роизводство
яиц, млрд.
шт. 30 15 ,51425 4,11174 2 2,26763 7 2,26091
154
йия. Прежде всего желательно сопоставить его эффектив-
ность с точностью прогнозов, получаемых другими метода-
ми. Между тем практическому использованию описанного
метода посвящена, по-видимому, лишь одна работа [63].
Поэтому нами были проведены эмпирические сопоставле-
ния, результаты которых приведены в следующем парагра-
фе. Первые значения параметров распределения коэффи-
циентов ( а ъ а 2 ), необходимые для начала рассмотренной в
этой главе итеративной процедуры, и основная дисперсия Do
определялись нами путем оценивания линейной регрессии
на первых Nx точках выборки. Считалось, что Q</> == Р/>
Рассмотрим соответствующий пример.
Байесовская модель с 4 состояниями была испытана на-
ми на 22 выборках различного объема. Было, опробовано
15 вариантов задаваемых значений параметров модели
(см. табл. 6.3, 6.4, 6.5), из которых вариант № 15 представ-
лял значения, рекомендуемые авторами метода.
"Результаты, приведенные в табл. 6.6, свидетельствуют
о том, что рекомендация авторов относительно значений па-
раметров не получила экспериментального подтверждения.
Анализ результатов приводит к выводу, что средний квад-
рат ошибки особенно чувствителен к значениям априорных
вероятностей состояния процесса.
§ 4. СРАВНЕНИЕ МЕТОДОВ
7 Цена на золото
(часть 2) 60 30 0,14159 1 0,10582
8 Цена на золото
(часть 3) 60 30 | 0,02768| 2 0,02898
9 Цена на золото
(часть 4) 60 30 0,17058 1 1 0.14467J
10 Цена на золото
(часть 5) 60 30 0,93812 1 | O.7792ÜJ
И Цена на золото
(часть 6) 60 30 2,20804 3 '[" 0,8557]П
12 Поставка минераль-
ных удобрений в
сельское хозяйство,
тыс. т усл. ед. 30 1Б 51,083405 1 | 21,459 ЛОЯ
166
ta6fl«ua 6.7
по средним квадратам ошибок
сделанных на один шаг вперед (т—1)
Метод эволюции
Метод Брауна
средний квадрат ошибок
№ мо- параметр средний комбиниро-
дели а квадрат модель 1 модель 2 модель 3 ванная
опт ошибок
8 9, 10 11 12 13 И
1 0 ,8410 10.50123
1.° ,51263 0 ,64924 0,76728 0,65877
0,14866 0,09719
1 0 ,7510 10,08265 о 09869 0 09877
0,13601
1 о 9991 10,10480 0 10958 0 14941 0,27336
2,6717 1,5401
1 0, 6709 1,6928 1,4022 1, 9341
28.148Х 201.98Х
2 0, 8010 Х108 42,00-105 30,90.10? 32,58-105
ХЮ5
157
Метод Байеса Адаптивная
Выборка авторегрессия
макси-
средний средний
маль-
число квадрат
ный
из ряда точек квадрат
лар
ошибок ошибок
i 2 ' 3 4 5 6 7
1
13 Производство электрс
энергии, млрд.
31 15 59,315 1 1 19,115 |
кВт-ч
14 Производство гидро-
электроэнергии, 34,933
млрд. кВт-ч
31 15 30,743 1
21 Урожайность овощей,
ц с га 30 15 81,231 3 1 71,758 |
22 Производство яиц,
млрд. шт. 30 15 2,2676 1 2,0802
158
Продолжение
Метод эволюция
Метод Брауна
средние квадрат онгабок
W.921X
2 0,9909 ХЮ5 307,6.105 19,04-105 9,872.10* 11,86.105
159
Глава 7
МОДЕЛИ АВТОРЕГРЕССИИ —
СКОЛЬЗЯЩЕГО СРЕДНЕГО
(МЕТОД БОКСА —ДЖЕНКИНСА)
с р + q + 2 неизвестными параметрами.
Модель может быть записана и так:
(7.7)
(7.8)
На практике обычно d = 0,1 или, наконец, 2. Модель
(7.7, 7.8) является более общей и называется интегриро-
ванной моделью авторегрессии —скользящего среднего
(АРИСС) порядка (р, dy q). Она называется интегрированной
потому, что соотношение обратное (7.8) есть xt — S wu где
5 — оператор суммирования.
Для преобразования исходного ряда в стационарный мо-
гут использоваться и различные другие преобразования.
Например, для экономических и других рядов, характери-
163
зующихся приблизительно экспоненциальным ростом, по-
лезно предварительно применять операцию логарифмирова-
ния (см. § 4 этой главы).
Включение д е т е р м и н и р о в а н н о й по-
л и н о м и а л ь н о й т е н д е н ц и и р о с т а в мо-
д е л ь АРИСС. Иногда бывает полезна небольшая модифи-
кация модели АРИСС путем добавления постоянного члена
в правую часть. Это новое слагаемое придает модели наи-
более общий вид:
(7.9)
Если постоянный член Qo опущен, то модель может ото-
бражать ряды, имеющие стохастические тренды (случайные
изменения уровня, темпа роста и т.п.). В общем случае, одна-
ко, может быть желательным включение в модель детерми-
нированной функции времени / (t). В частности, можно
включить полином порядка d, если положить Qo Ф 0.
Взяв математическое ожидание от обеих частей равенства
(7.9), получаем
или
(7Л1)
где
165
В общем случае линейный процесс (7.11) обратим, если
веса п}- таковы, что л (В) сходится при | В | ^ 1.
Получим одно полезное соотношение, применив оператор
1|) (В) к обеим частям (7.11):
(7.14)
(7.18)
(7.20)
(7.21)
(7.22)
где Rxe (k) — М (xt _ й et) — йзаимная ковариационная
функция между я и е
(7.24)
или
(7.25)
§ 2. ИДЕНТИФИКАЦИЯ МОДЕЛЕЙ.
ИНТЕРПРЕТАЦИЯ R 2 В МОДЕЛЯХ АРСС
(7.27)
Условие стационарности, требующее чтобы нули поли-
нома ,Ф {В) лежали вне единичного круга, означает, что
Gj, б 2 , ..., Gp лежат внутри единичного круга. Из (7.27) яс-
но, что в случае стационарного процесса, для которого ни
один из корней не лежит близко к границе единичного кру-
га, автокорреляционная функция будет сравнительно быст-
ро затухать с ростом k. Если же один вещественный корень,
скажем Gx, близок к 1, так что Gx = 1 — Ö, где б является
некоторой малой положительной величиной, то для боль-
шого k
Предваритель-
ные оценки
Предваритель-
ные оценки
«Р1= \-г\
176
Продолжение
Модель ( 1 . d, 1)
Область допу-
стимых значе-
ний
(7.28)
1
Далее, в § 3, показано, что дисперсия ошибки прогноза по мо-
дели АРСС на 1 шаг вперед равна о*.
178
В результате подстановки (7.29) в (7.28) получаем
(7.30)
2
Таким образом, R не зависит от а!. Подсчет величины
R* по формул^ (7.30) на стадии идентификации затрудните-
лен. Поэтому, учитывая, что веса tp определяют
c
автокорре
c
ляционную
2
функцию временного ряда, ^ n ° ° f TfRfp°ro ^
зать R с коэффициентами автокорреляции. Проще всего это
сделать для чистых авторегрессионных процессов.
(7.33)
183
Отсюда ясно, что процессы с относительно большими ко-
эффициентами более предсказуемы.
Однако, поскольку стадия идентификации предшествует
процедуре оценивания модели, желательно опять установить
связь R* с автокорреляциями. В случае СС (1) легко полу-
чить точное соотношение:
(7.34)
§ 3. ОЦЕНИВАНИЕ МОДЕЛЕЙ
И ПРОГНОЗИРОВАНИЕ
182
Он достигает минимума при "фт-н/ = 4i't+/. Таким обра-
зом, значение прогнозируемого члена ряда можно пред-
ставить в виде двух групп слагаемых:
где
(7.37)
(7.38)
где
т.е.
АР(1) V(q>)=n-4l~<P2)
АР (2) РхО+фа)]
1—Ф1 J
СС(1) V(Q) =n~ 1 (l-Q a )
СС(2)
V(Q 1 Q a ) = n '[ _ Q l ( 1 H _ Q a ) x_Ql\
АРСС (1,1) „ r 'h\ 1-Ф<Э[(1-Фа)(1-Ф(г) (1-Ф») (1—Q^i
1
185
Из табл. 7.3 видно, что при ц> = Q дисперсии оценок <р
и Q в модели АРСС (1,1) бесконечны. Это и есть случай со-
кращающихся множителей АР и СС-частей.
180
Тогда можно показать [45], что если построенная модель
адекватна временному ряду, то случайная величина
а
распределена как % (/(—р — q). Если же модель не соответ-
ствует временному ряду, автокорреляции остатков будут
существенными, а величина © большой. Таким образом, об-
щую проверку гипотезы об адекватности модели можно осу-
ществить путем сопоставления © с таблицей у? с (К—р—ф-
степенями свободы.
Неадекватность модели может иметь место из-за измене-
ний значений параметров во времени при сохранении формы
модели. Для выявления этой особенности проделывается
следующая операция. Исследуемый отрезок данных разби-
вается на два и к каждому привязывается модель.
Пометим параметры моделей для каждой из половин отрез-
ка соответствующими индексами Ql1*, Q{ a \(p^\ ср}а).Им со-
ответствуют
0 }
стандартные ошибки оценок 0QI X \ OQV",
Ф/> Оф* . Отсюда находим, что стандартные ошибки разно-
стей
2
Статистика к определяется относительным увеличением R
в результате устранения ограничений на параметры. Если
увеличение большое, то гипотеза (7.40) отвергается.
Теория распределений X является асимптотической. Меж-
ду тем на практике часто имеется очень немного данных для
получения выборочной оценки а%. В связи с этим по анало-
гии с соответствующей ситуацией в линейной регрессии,
для которой разработана теория малой выборки, предла-
гается также, несколько видоизмененная статистика:
(7.43)
А д а п т и в н ы е с в о й с т в а м о д е л и . Рассмот-
рим модель V # t = (1 — QB)et> В момент t + т она может
быть записана:
получаем
(7.46)
191
Используя тот факт, что xt — xt (t— 1) + et, (7.46) мож-
но записать в виде хх (t) — ~xx(t — 1) -f X&it где X =
— 1 — Q или в виде хх (t) — hxt + (1 — К)хх it — 1), что
является обычной моделью экспоненциальной средней
(см. гл. 1), которая может быть записана и так:
для х > q — d.
Коэффициенты aiit должны последовательно обновлять-
ся с получением каждой новой фактической точки. Для t <•
<<7 — d прогноз будет зависеть от гь ef_i, .... Bt~q+x>
а после этого определяться полиномом (7.47).
Класс функций п р о г н о з а . Посмотрим,
какими еще функциями можно описать будущее поведение
ряда исходя из модели АРИСС.
При прогнозировании процесса
или
а дисперсия
196
На рис. 7.2 пред-
ставлены кривые нор-
мального и логнор-
мального распределе-
ний. Отметим отно-
сительное расположе-
ние моды, медианы и
математического ожи-
дания для логнор-
мального.распределе-
ния. Иллюстрируют-
ся также логнормаль-
ные кривые для раз-
личных значений и
и а2.
ЭТИ результаты
непосредственно при-
менимы к прогнози-
рованию, когда лога-
рифм исходного ряда
представляется нор-
мальным процессом
АРИСС. Модель, гене-
рирует прогноз V* +-С
как условное рас-
пределение yt+x ~
~N{yx(t),De(t)\X}
при данной выборке
X. Следовательно, ус-
ловное математиче-
ское ожидание члена
xt+x дается выраже-
нием: хх (t) — ехр
ft* (0 + ~2De (т)}, а
Дисперсия xt+x, или,
Другими словами, ди- Рис. 7.2. Кривые нормального и логнор-
сперсия ошибки прог- мального распределений
ноза е г ( 0 = * и - т
(t)==ex
X fexp КП") ?1Х\^1Х)==Г)* P {** W + D° W> X
Далее, если yx(t)±kat(x) образует V%-HHU довери
тельный интервал для yt + т , то ехр {^т (t) ± kae (t)} об
197
разует v%-Hbifi доверительный интервал для *<+*. Заме-
тим, что доверительный интервал для Xt+X несимметричен
относительно хх (f), в то время как для yt+x он симметри-
чен.
§ 5. АГРЕГИРОВАНИЕ РЯДОВ И МОДЕЛЕЙ
198
Не составляет трудности обобщить основную теорему на
случай суммы любого числа независимых рядов:
где
205
Т а б л и ц а 7.4
Сравнение моделей Бокса—Дженкинса
с адаптивной моделью авторегрессии
по среднему квадрату ошибки ретроспективных прогнозов ( т = 1 )
Средний квадрат ошибки
Ttmn Номер Количество модель адаптивная
"яд отрезка членов Бокса— модель авто-
Дженкинса регрессии*
(7.67)
207
Представим (7.57) для случая d = 1 в виде:
где n=N — 1.
При d —I и Ци, Ф 0 речь идет об исключении тенденции,
выражаемой полиномом первого порядка, причем ц№ есть
коэффициент линейного роста. Способ его оценки (7.58),
очевидно, не является наилучшим, так как он опирается
лишь на два крайних наблюдения выборки, а остальные
данные в расчет не принимаются.
Точно так же можно показать, что при d — 2
(8.3)
где Н (В), F (В), в , Zi расчленены в соответствии с разбие-
нием zt.
Предположение, что xt — вектор экзогенных перемен-
ных — приводит к следующим ограничениям:
Н 2 1 (В) . 0; F« (В) ш 0; F 1 2 (В) ш 0. (8.4)
Это означает, что на поведение xt элементы вектора e l t не
оказывают влияния, а элементы вектора еа* воздействуют
на yt только через элементы х ( .
При этих ограничениях, наложенных на (8.3), получаем
(ниже матриц и векторов указана их размерность):
и ( 8 . 5 а )
(8.56)
то
Уравнения (8.5а) являются с т р у к т у р н ы м и , в
время как уравнения (8.66) описывают процессы, гене-
213
рирующие вектор стохастических экзогенных переменных
§ 2. АДАПТИВНАЯ МОДЕЛЬ
МНОЖЕСТВЕННОЙ РЕГРЕССИИ
0 0 0,5 0,5
5 90 1,22087 —0,29308
1,9 50 900 1,99271 -0,99339
100 1800 1,99991 —0,99992
150 2 400 1,99995 —0,99995
§ 3. АДАПТИВНАЯ МОДЕЛЬ
ПРОИЗВОДСТВЕННОЙ ФУНКЦИИ
1к
•2•
* «я
_ о ь* »к
Ч я " х -с
l§i
m а V. а
е
а+нх
х(<-1)
Год
га З
SSBSSS со а- я
1 2 3 4 5 6 7 8 9
1947 309,9 428 705 95,2 57039 0,27823 0,02769 —0,00797 0,9921
1948 323,7 447216 92,4 58 344 0,27820 0,03102 —0,00464 1,0267
1949 324,1 461 761 81,3 57 649 0,27811 0,03296 -0,00367 1,0642
1950 355,3 480 881 89,5 58 920 0,27812 0,03459 —0,00313 1,1059
1951 383,4 500640 90,6 59 962 0,27818 0,03928 -0,00195 1,1679
1952 395,1 518053 88,5 60 254 0,27809 0,03186 —0,00344 1,1687
1953 412,8 536325 92,3 61181 0,27806 0,03045 —0,00367 1,1961
1954 407,0 553462 82,9 60110 0,27805 0,02876 -0,00391 1,2182
1955 438,0 572 708 90,8 62171 0,27801 0,02678 -0,00416 1,2338
1956 446,1 595509 89,8 63 802 0,27792 0,02162 -0,00473 1,2091
1957 452,5 615884 86,5 64 071 0,27794 0,02309 -0,00459 1 2540
1958 447,3 630255 75,9 63036 0,27794 0,02327 -0,00457 I 2858
1959 475,9 645 172 82,2 64630 0,27793 0,02208 —0,00467 1 2973
1960 487,7 663 545 80,5 65 778 0,27792 0,02125 -0,00473 13120
1 3526
1961 497,2 680 050 77,7 65 746 0,27792 0,02191 —0,00469 1,3920
1962 529,8 699872 81,2 66 702 0,27793 0,02270 —0,00463 1 4087
1963 551,0 712 014 82,8 67 762 0,27792 0,02171 —0,00469 1 4379
1964 581,1 745 146 85,7 69 305 0,27792 0,02164 -0,00470 1 4554
1965 617,8 778 123 90,6 71088 0,27791 0,02111 -0,00473 1 4824
1966 658,1 817 822 95,8 -0,00474
72 895 0,27791 0,02097 -0,00478 1 4841
1967 675,2 855304 92,7 74 372 0,27789 0,01998 -0,00478 1 5153
1968 706,6 894 529 94,5 75920 0,27789 0,02002 -0,00488 14757
1969 725,6 936 600 95,6 77902 0,27784 0,01791 - 0 00487 1 5072
1970 722,5 973400 87,9 78627 0,27785 0,01805 -0,00485 1,5536
1971 746,3 1006 800 85,3 79120 0,27785 0,01856 -0,00488 1 5556
1972 792,5 1045 100 89,6 81702 0,27784 0,01787 -0,00490 1 5640
1973 839,2 1090 200 95,8 84 409 0,27783 0,01739
I 2 3 4 5 6
0,00163 0,00043
223
Начальные значения параметров для процесса адапта-
ции были получены как оценки МНК обычной регрессии,
построенной на первых Nt точках выборок. Наилучшее Nu
найденное методом перебора, оказалось равным 9, а наи-
лучшее значение параметра адаптации равным 1,642.
НЕТРАДИЦИОННЫЙ
КОРРЕЛЯЦИОННЫЙ АНАЛИЗ
ВРЕМЕННЫХ РЯДОВ
§ 1. УСЛОВИЯ ПРИМЕНИМОСТИ
ТРАДИЦИОННОГО КОРРЕЛЯЦИОННОГО
АНАЛИЗА
§ 2. ПОСТАНОВКА ПРОБЛЕМЫ
228
ных экономических временных рядов. С нашей точки зрения,
переход от наблюдаемых рядов хи и х21 к рядам (хи — т , ) и
(х21 — т 2 ) в общем случае «портит» первичную информацию.
Выход из этого затруднительного положения обычно на-
ходят в том, чтобы исходный нестационарный ряд преобра-
зовать к приблизительно стационарному виду. С этой целью
предпринимается попытка предварительно исключить из
рядов временные тренды. Но, во-первых, эта операция так-
же зависит от границ выборочного периода и таких субъек-
тивных факторов, как выбор типа тренда, метода его оцени-
вания, и, во-вторых, в результате элиминирования тренда из
временного ряда удаляется весьма существенная информа-
ция, Остатки, после исключения тренда, как правило, оказы-
ваются слабо коррелированными, а исходные ряды могут
обнаруживать корреляцию, близкую к идеальной из-за по-
чти одинакового характера тренда. Получив такие результа-
ты, практик остается в растерянности. Можно констатиро-
вать, что в случае предварительного исключения тренда
искажение первичной информации лишь усугубляется.
§ 3. МОДИФИЦИРОВАННЫЙ КОЭФФИЦИЕНТ
КОРРЕЛЯЦИИ
(9.1)
229
Знаменатель формулы (9.1) играет роль нормирующего
коэффициента. Благодаря ему r mod не может выйти за пре-
делы —1 < гтдй< 1. При таком измерителе степени коррелиро-
ванности двух рядов отмеченный выше недостаток устраня-
ется и никакой деформации исходных данных не происходит.
Каждое слагаемое в числителе и знаменателе неизменно, не
зависит от каких-либо субъективных процедур или желаний
исследователя.
Отметим, что усреднение по времени вместо усреднения
по реализациям здесь остается, поскольку мы считаем, что
имеется лишь одна реализация для каждого момента и дру-
гого пути нет. По существу, такое усреднение основывается
на гипотезе о постоянстве корреляционной связи двух рядов
на всем выборочном периоде. Это предположение, очевидно,
также слишком сильное для экономических нестационарных
процессов. Мы к нему вернемся несколько позже. А сейчас
продолжим анализ формулы (9.1).
Вычисление этого коэффициента возможно для неслучай-
ных функций, так как его определение не связано с какими-
либо гипотезами вероятностного характера. В частности, лег-
ко заметить особенность предложенного коэффициента
корреляции, заключающуюся в том, что модифицированный
коэффициент корреляции любых двух монотонно возраста-
ющих или монотонно убывающих функций всегда будет ра-
вен единице. В этом случае целесообразно перейти к анали-
зу разностей второго (или даже более высокого) порядка.
Получаемый коэффициент можно назвать модифицирован-
ным коэффициентом корреляции второго (или более высо-
кого) порядка.
(9.2)
(9.3)
231
как ошибку этого прогноза на тот же момент. Тогда можно
ввести функцию потерь Q^cc)
(9.4)
(9.5)
где
(9.6)
(9.7)
(9.8)
(9.9)
§ 7. ВЕРОЯТНОСТНЫЙ КОЭФФИЦИЕНТ
КОРРЕЛЯЦИИ
(9.11)
(9.12)
(9.13)
§ 1. ПОСТАНОВКА ПРОБЛЕМЫ
(ЮЛ)
(10.2)
(10.3)
(10.4а)
либо
(10.46)
(10.5)
(10.6)
246
Интегралы вычисляются по формуле
(10.7)
(10.8)
247
Смысл xt нетрудно установить. Из (10.8) следует, что
(10.9)
(10.10)
1975 -0,0937
1976 0,0458
1977 0,0398
1978 0,0246
1979 -0,0226
1980 -0,0605
1981 0,0187
1982 -0,0902
1983 0,0216
1984 0,1006
1985 -0,0127
1986 -0,0130
1987 0,0088
1988 0,0015
Таблица 10.3
Обобщающие характеристики разбиения на фазы
§ 1. ПОСТАНОВКА ПРОБЛЕМЫ
(ИЛ)
(11.2)
(11.3)
(11.4)
(П.5)
§ 3. ПРОБЛЕМЫ ОПТИМАЛЬНОСТИ
АДАПТИВНОЙ ПРОЦЕДУРЫ
ОБНОВЛЕНИЯ ГИСТОГРАММЫ
(11.7)
(П.8)
(Н.9)
(11.10)
или
(11.11)
или
(11.13)
откуда
(11.14)
(11.15)
где Рг — вероятность;
тх - медиана распределения х\
Ф(х,а^)'~ интегральная функция распределения х,
(11.16)"
(11.17)
(11.18)
262
Критерий Q, является агрегатом, характеризующим сте-
пень соответствия наблюдений временного ряда и ряда по-
строенных гистограмм на всем выборочном интервале в це-
лом. Критерий Q2 интерпретируется как усредненное по
выборке максимальное значение уровня значимости, при
котором наблюденные значения ряда можно считать при-
надлежащими распределениям, представляемым соответ-
ствующими гистограммами.
В формулах (11.17) и (11.18) показано, что в обоих случа-
ях критерий .качества процедуры адаптации является функ-
цией не только данных {х,} и параметра адаптации а, но и
объема выборочных данных Тг используемых для определе-
ния начальных значений вероятностей событий, необходи-
мых для запуска рекуррентной процедуры.
Отметим также, что Q, и Q2 сформированы как односто-
ронние критерии, предполагающие, что сопоставление реа-
лизации процесса х( с построенным распределением произ-
водится на одном его «хвосте». Однако на самом деле
фактические точки случайным образом ложатся по обе сто-
роны от медианы, и поэтому целесообразно перейти к дву-
стороннему критерию, для которого все значения q нужно
лишь удвоить. Тогда получим критерий <?3:
(11.19)
КРИТЕРИИ ДИККИ-ФУЛЛЕРА
ДЛЯ ИДЕНТИФИКАЦИИ
ХАРАКТЕРА ТРЕНДА
(ОБНАРУЖЕНИЕ ЕДИНИЧНЫХ КОРНЕЙ)
§ 1. ДЕТЕРМИНИРОВАННЫЙ
И СЛУЧАЙНЫЙ ХАРАКТЕР ТРЕНДА
(12.3)
§ 2 . ЛОЖНЫЕ ТРЕНДЫ
270
видно, что даже если у среднего нет тренда,- то он имеется у
дисперсии.
Теперь предположим, что истинной моделью является
DSP, т!е. уравнение (12.2) с ß=0, а оценивается ошибочно
модель типа TSP (12.1):
Математическое ожидание:
Дисперсия:
273
lg-1866
Отсюда, после подстановки в (12.6), получаем
где у = р - 1.
(12.8)
(12.9)
Критические
Статистика
Модель Гипотеза значения
критерия
95% 99%
(12.10)
(12.11)
(12.12)
(12.13)
277
Интерес представляет коэффициент у. Если он равен
нулю, уравнение (12.11) оказывается полностью записан-
ным через первые разности, и таким образом имеется еди-
ничный корень. Проверка наличия единичного корня может
быть осуществлена с помощью тех же самых статистик кри-
терия Дикки — Фуллера, распределения которых зависят от
включения в регрессионное уравнение детерминированных
компонент.
Другими словами, расширенный критерий Дикки — Фул-
лера используется для проверки наличия единичного корня
в авторегрессионных уравнениях более высокого порядка,
имеющих следующий вид:
(12.14)
(12.15)
(12.16)
(12.17)
(12.18)
279
которую адекватно можно записать как
Таблица 12.2
Стандартная
Объем выборки Статистика
(п-р) статистика
Дикки - Фуллера ф F
25 7,24 3,42
50 6,73 3,20
100 6,49 3,10
00 6,25 3,00
С К О ^ - 0,056448.
Ч а с т н а я м о д е л ь 1 (с ограничениями H 0 :ß= 0, у ^ ^
At/, = 0,0054 + 0,447At/,_, + е, (J 2 - 2 0 )
a - 0,0025 0,083
CKCL - 0,063211.
280
Ч а с т н а я м о д е л ь 2 (с ограничениями Но: ос= 0, ß= О,
у=0):
Ау, - 0,511Ду м + е, (12.21)
а = 0,079
СКО Л = 0,065966.
D(B)y, - и,.
Наличие одного корня означает, что либо у,, либо у2, либо
оба коэффициента отличны от нуля. При нулевой гипотезе о
наличии единственного корня у, < 0 и у 2 = 0. При альтерна-
тивной гипотезе yt является стационарным, так что у, и у2
отрицательны. Таким образом, нужно оценить модель (12.24)
и использовать критические значения статистик Дикки -
Фуллера для проверки гипотезы у, = 0. Если нулевая гипо-
теза отвергается, делается вывод о том, что у, стационарен.
Отметим, что экономические ряды не требуют перехода
к разностям выше второго порядка.
285
т.е. разности лага 4 стационарны:
так что
(12.25)
(12.26)
(12.27)
(12.28)
(12.29)
в (12.27):
(12.30)
(12.31)
(12.32)
(12.33)
(12.34)
в которой
291
(12.35)
(12.36)
(12.37)
(12.38)
292
Пример
Выбор порядков р и q в модели АРСС. Сравнивая зна-
чения AIC или SBC для различных порядков р и <7, в пакете
MicroFit [156] выбирают спецификацию модели с наиболь-
шим значением критерия (в некоторых программах, напро-
тив, с наименьшим значением — это зависит от вида крите-
рия, выбранного программистом). Данные удобно
представлять в табличном виде (табл. 12.3).
Таблица 12.3
f
р
0 1 2 3
0 42,59 46,47 48,87 48,02
1 48,35 47,92 48,08 47,10
2 48,76 48,21 47,22 46,25
3 48,13 47,29 46,30 45,35
Таблица 12.4
р Ч
0 1 2 3
0 41,15 43,59 44,55 42,25
1 45,46 43,60 42,32 39,89
2 44,43 42,44 40,02 37,60
3 42,37 40,08 37,65 35,26
2
где и распределены идентично и независимо, т.е. u-nd(0,a ).
Если ]ф| < 1, то тренд детерминированный, а если ф= 1, то имеет-
ся единичный корень и первые разности стационарны, т.е. тренд
стохастический с ненулевым дрейфом а и d =1.
Попытка определить тип тренда в общем виде принима-
ет форму проверки односторонней гипотезы о наличии еди-
ничного корня против альтернативной гипотезы о стацио-
нарности стохастического тренда:
Н о : ф = 1 против Н,: ф < 1.
Важно отметить, что при использовании /-статистики для
проверки, что ф = 1 , критические значения нужно брать не
из таблиц стандартного /-распределения, а из нестандарт-
ного распределения Дикки — Фуллера.
В более общем случае, когда возмущения ut, t = 1,2,..., п,
автокоррелированы, следует применять расширенный кри-
терий Дикки — Фуллера для проверки наличия единичных
корней, который предполагает учесть автокорреляцию ошиб-
ки путем добавления лаговых разностей у,:
ИНТЕГРИРОВАННОСТЬ
И КОИНТЕГРИРОВАННОСТЬ
ПЕРЕМЕННЫХ
§ 1. ИНТЕГРИРОВАННОСТЬ
И КОИНТЕГРИРОВАННОСТЬ
ДВУХ ПЕРЕМЕННЫХ
(13.1)
(13.2)
(13.3)
298
Поскольку &yt будет коррелирована с ошибкой ut, урав-
нение (13.3) следует оценивать методом инструментальной
переменной. Коэффициенты при Ayt и Axt описывают крат-
косрочную динамику. Отметим, что если у( и xt являются
/(1), то Ayt и Axt, как и at есть /(0). М. Уиккенс и Т. Бройш
показали, что ошибки в спецификации краткосрочной дина-
мики не оказывают большого влияния на оценивание долго-
срочных параметров. Например, даже если в уравнении (13.3)
опущена Axt, оценка параметра ß будет состоятельной.
Если ввести вектора х,~ (хи, х21,..., хк1) и ß « (ß,, ß y .», ß*)'»
то в векторном виде долгосрочное равновесие можно запи-
сать как
300
из равенства ß,jcw + ß2X,( = 0 следует хи =~&хъ, что является
недопустимым, так как dx Ф dT
3, Если вектор х, имеет k компонент, то может быть k — 1
линейно независимых векторов коинтеграции. Ясно, что если
х, содержит только две переменные, то самое большее мо-
жет быть один независимый вектор коинтеграции. Число
векторов коинтеграции называется рангом коинтеграции
вектора xt.
4. В большинстве работ, посвященных проблемам коин-
теграции, рассматривается случай, когда каждая перемен-
ная имеет единственный единичный корень. Причина этого
состоит в том, что традиционный регрессионный анализ
временных рядов имеет дело с переменными /(0), /(1) и очень
редко с экономическими показателями, имеющими порядок
интеграции выше 1. Поэтому часто термин коинтеграция
употребляется в узком смысле для обозначения процессов
С 1(1,1), хотя можно себе представить множество перемен-
ных /(2), имеющих порядок коинтеграции С/(2,1), так что
существует их линейная комбинация 1(1).
К о и н т е г р а ц и я и т р е н д ы . Рассмотрим простей-
ший случай, когда вектор xt содержит только две перемен-
ные yt и zt, очищенные от циклических и сезонных колеба-
ний, т.е. x^(yt, z,), и каждую переменную можно представить
моделью случайного блуждания с аддитивной случайной
компонентой:
301
является стационарной. Но для стационарности этой сум-
мы член (ßjjA^ + ß ^ , ) должен быть равен нулю. Если он не
равен нулю, то ß,#,+ $2zt также будет иметь тренд. Поскольку
второй член в скобках стационарен, необходимым и доста-
точным условием того, чтобы yi и zt были коинтегрирован-
ными процессами С/(1,1), является
302
Следовательно, вектор х,= (yt, zt, wt) имеет вектор коин-
теграции (1, 1,-1), так как линейная комбинация
является стационарной.
Этот пример иллюстрирует тот факт, что коинтеграция
имеет место тогда, когда тренд одной переменной может
быть выражен через линейную комбинацию трендов других
переменных. Элементы вектора коинтеграции должны быть
таковы, чтобы тренд был исключен из линейной комбина-
ции переменных. Такой результат может быть обобщен на
случай k переменных. Рассмотрим векторное уравнение
(13.4)
где xt - (xlt, x2l,,.., хы) — вектор значений переменных в момент /;
Ц, — (ц,, \i2l, .... цк1) — вектор стохастических трендов;
и, «- (м„'и2,, ...,ukt) — вектор случайных компонент.
§ 3. КОИНТЕГРАЦИЯ И МОДЕЛИ
КОРРЕКТИРОВКИ ОШИБОК
где К — константа.
304
В качестве примера Фридман сформулировал гипотезу
о постоянном доходе, в которой утверждается, что потреб-
ление У, пропорционально постоянному доходу Хг Он апп-
роксимировал постоянный доход процессом с распределен-
ными лагами. Другой пример — это гипотеза о жизненном
цикле, в которой утверждается, что в долгосрочном плане
потребление есть постоянная доля богатства. Еще один при-
мер: зарплаты и цены должны иметь примерно равные дол-
госрочные темпы роста, хотя в краткосрочном плане их тем-
пы могут различаться.
Взяв логарифмы от обеих частей уравнения (13.5), полу-
чаем
или
(13.6)
(13.8)
305
которое обеспечивает равенство
или
т.е.
(13.9)
306
Построение модели корректировки ошибок тесно связа-
но с изучением коинтеграции переменных.
П р и м е р . Несмотря на то что модель с корректировкой
ошибки ввел Филлипс, первым применил ее Дж. Сарган [159].
Он исследовал связь между зарплатой и ценами в Велико-
британии. Им сформулировано большое число моделей, не-
которые из которых имели структуру модели с корректи-
ровкой ошибки.
В частности, на квартальных данных он оценил следую-
щую модель (ниже даны /-статистики):
§ 4. КРИТЕРИИ КОИНТЕГРАЦИИ
РЕКУРРЕНТНЫЕ АЛГОРИТМЫ
ОЦЕНКИ ТРАЕКТОРИЙ ПАРАМЕТРОВ
МНОЖЕСТВЕННОЙ РЕГРЕССИИ
(ИЛ)
где
(14.3)
(14.4)
2 е'е
где* - — оценка дисперсии ошибки уравнения;
- вектор ошибок.
§ 1. РЕКУРРЕНТНОЕ ОЦЕНИВАНИЕ
ПАРАМЕТРОВ РЕГРЕССИИ
(14.6)
Е*А (2>tÄ
LM <t=i
где
(14.8)
(14.9)
312
Выражения (14.8) и (14.9) означают, что
(14.10)
(14.11)
(14.12)
(14.13)
(14.14)
(14.15)
313
Сравнивая равенство (14.12) с выражением (14.15), по-
лучаем
(14.16)
(14.19)
(14.20)
314
При условии гауссовского распределения остатков по-
лученные оценки могут быть интерпретированы как оценки
максимального правдоподобия или как оценки байесовско-
го типа.
Легко также построить рекуррентный алгоритм для по-
лучения оценок обобщенным методом наименьших квадра-
тов (ОМНК). Как известно, этот метод применяется в случае
гетероскедастичности остатков, т. е, тогда, когда дисперсия
остатков не постоянна. Тогда оценка ОМНК может быть по-
лучена с помощью обычного МНК, примененного к преобра-
зованным данным. Следовательно, и для рекуррентного оце-
нивания требуются лишь переход к новым переменным и
использование только что изложенной процедуры.
§ 2. СКОЛЬЗЯЩАЯ РЕГРЕССИЯ
§ 3. ВЗВЕШЕННАЯ РЕГРЕССИЯ
(14.21)
316
получают минимизацией взвешенной суммы квадратов ос-
татков
(14.22)
гдем>, = веса;
(14.23)
317
В матричных обозначениях получаем
где
(14.24)
(14.25)
где
(14.26)
(14.27)
обычным МНК.
Проанализируем характер остатков и, взвешенной рег-
рессии (14.25). Если веса в матрице W уменьшаются от мо-
мента t = Т к t « 1, то дисперсия а 2 В ошибки и( в уравнении
(14.25) будет возрастать в этом направлении таким образом,
что в начальные моменты допускаются большие ошибки.
318
Вообще говоря, весовая функция может быть любой
функцией времени. Но в целях упрощения работы в каче-
стве весовой функции выбирают какую-либо известную ана-
литическую функцию .с одним параметром, удовлетворяю-
щую качественным представлениям исследователя о темпах
и характере перемен.
Двумя такими функциями могут быть арифметическая
прогрессия, генерирующая веса, лежащие на графике на
прямой линии, и убывающая в прошлое геометрическая
прогрессия, обеспечивающая экспоненциальное падение
величины весовог.о коэффициента. Могут быть, конечно, и
другие функции, например ступенчатая или логистическая.
Отметим, что особой популярностью пользуются веса,
геометрически убывающие в прошлое [161]. В этом случае
весовой коэффициент имеет вид
(14.28)
(14.29)
(14.30)
(14.31)
(14.32)
(14.33)
(14.34)
(14.35)
(14.36)
(14.38)
(14.40)
и
(14.41)
322
Справедливость такого представления оценки нетрудно
показать с помощью повторных подстановок. Отметим, что
при а = 1 прошлые данные полностью игнорируются («за-
бываются») и имеют значение только текущие значения пе-
ременных, а при а = 0 начальная оценка остается неизмен-
ной, все последующие наблюдения не принимаются во
внимание.
Та же последовательность переходов, которую мы при-
меняли раньше (в § I) при выводе рекуррентного алгорит-
ма МНК, приводит в данном случае к рекуррентному алго-
ритму, состоящему из аналогичных уравнений:
(14.42)
(14.43)
(14.44)
(14.45)
(14.46)
(14.47)
где
(14.49)
(14.50)
<?(Го,а)=£^, (14.51)
(14.52)
(14.53)
(14.54)
327
Таким образом, поиск оптимального значения а означает
выбор геометрически убывающих весов, наилучшим обра-
зом отражающих обесценение информации с течением вре-
мени, весов, доставляющих минимум функции потерь (14.51).
Проверку метода на примерах можно найти в [124,
с. 226-229].
(14.55)
где
328
Формула (14.56) означает, что оценка $ ( является реше-
нием системы линейных уравнений
(14.57)
Sij,i
Величины "1 являются адаптивными коэффициента-
миa
ij,i
i
ми корреляции rtj((a), которые мы будем обозначать просто
как rijt. Поэтому систему (14.58) можно переписать как
(14.59)
329
Система (14.59) выражает связь адаптивных регрессион-
ных коэффициентов с адаптивными корреляционными коэф-
фициентами.
Отметим, что в системе (14.59) подразумевается, что и в
регрессионном, и в корреляционном анализе используется
одно и то же значение а, выбираемое таким образом, чтобы
наилучшим образом согласовать оценивание адаптивных
коэффициентов корреляции для различныххпар переменных
с главной целью адаптивных вычислений — достижения наи-
высшей точности ретроспективных прогнозов, измеряемой
критерием Q(T0,a), представленным формулой (14.51).
§ 7. МОДЕЛИ С АВТОРЕГРЕССИОННОЙ
УСЛОВНОЙ ГЕТЕРОСКЕДАСТИЧНОСТЬЮ
где а, >0.
330
Последнее уравнение означает следующее: если ошибка
в предыдущий момент была большой, то и дисперсия теку-
щей ошибки будет увеличенной. Если же а, = 0, то это озна-
чает, что эффекта ARCH не наблюдается, дисперсия посто-
янна, т.е. имеет место гомоскедастичность и можно применять
обычные методы оценивания (МНК). При ос,* 0 для оценива-
ния модели используются более сложные методы максималь-
ного правдоподобия.
Проверка нулевой гипотезы Но: а, = 0 выполняется с по-
мощью оценивания МНК первого уравнения, получения ос-
татков йД оценивания регрессии квадратов остатков uf на
ЙД, (с постоянным членом) и проверки значимости коэффи-
циента при йД,.
Если гипотеза о гетероскедастичности принимается, то
полученные оценки ht применяются для новой оценки пер-
вого уравнения модели уже с учетом характера гетероске-
дастичности. Далее этот процесс может быть повторен ите-
ративным образом до достижения сходимости. Проблемы
могут возникнуть, если оценка а, меньше нуля или больше
единицы.
Отметим, что эффекты ARCH обнаружены у курсов ак-
ций и у других активов, с которыми производят спекуля-
тивные операции. Читатель легко может вспомнить, что после
резких сдвигов в курсе валюты разница между курсом про-
дажи и курсом покупки сразу увеличивается, так как возра-
стает неопределенность относительно дальнейшего его дви-
жения: то ли он вернется к прежнему уровню, то ли продолжит
движение в том же направлении. Это говорит о воздействии
дисперсии колебаний случайной компоненты на уровень кур-
са. Эффекты ARCH признаны полезными в моделях инфля-
ции, когда последовательности больших и малых ошибок
прогнозирования образуют кластеры. Все это объясняется
краткосрочным ажиотажным спросом, возникающим при оче-
редном повышении цен и ожиданиях их дальнейшего роста.
Уточненная дисперсия остаточного члена позволяет гиб-
ко строить доверительные интервалы для будущих значе-
ний эндогенной переменной, т. е. для ум.
Модель Энгла была расширена до включения большего
числа лагов остаточного члена. В этом более общем случае
спецификация модели ARCH имеет вид
331
(14.60)
(14.61)
Модель GARCH
Модель GARCH(p,<7) - обобщенная модель ARCH
(generalized ARCH), введенная Т. Болерслевым [135] явля-
ется особым случаем модели ARCH{p,q), в уравнении кото-
рой есть авторегрессия и скользящая средняя
(14.62)
(14.63)
332
Модель GARCH-M
Обобщенная модель ARCH в среднем значении (по-анг-
лийски называется GARCH-in-mean, кратко она обозна-
чается как GARCH (p,q) — М) имеет следующую специфи-
кацию:
(14.64)
(14.65)
Модель AGARCH
(14.66)
Модель EGARCH
EGARCH - это экспоненциальная модель GARCH(p,<7),
в которой логарифм условной дисперсии ошибки уравнения
(14.60) имеет следующую спецификацию:
(14.67)
Модель EGARCH-M
КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ
КУРСОВ ВАЛЮТ С ПОМОЩЬЮ
СТАТИСТИЧЕСКИХ МОДЕЛЕЙ
§ 2. АНАЛИЗ СЛУЧАЙНОСТИ
ДВИЖЕНИЯ КУРСОВ ВАЛЮТ
§ 3. АДАПТИВНАЯ МОДЕЛЬ
ПРОГНОЗИРОВАНИЯ ВРЕМЕННОГО РЯДА
С НЕУСТОЙЧИВЫМ ХАРАКТЕРОМ КОЛЕБАНИЙ
(15.1)
(15.2)
Нет
рудно убедиться в том, что S ( есть не что иное, как адап-
тивный коэффициент корреляции, рассмотренный в гл. 9.
Ясно, что значение 5,, являющееся результатом усред-
нения единиц и нулей, будет дробным числом из интервала
Ы , 1], поэтому прогноз т на момент Я-1 будем определять
так:
345
Положительный знак tfiM означает сохранение того зна-
ка прироста, который имел место в момент t, а отрицатель-
ный - перемену. Прогноз знака прироста курса валюты на
момент Н-1 определим как
L, число выигрышен 70 63 73 71 65 65 63 76 71 69
М, число 60 67 56 57 63 61 65 50 57 57
проигрышей
PL, */% выигрышей 53,85 48,46 56,59 55,47 50,78 51,59 49,22 60,32 55,47 54,76
РМ, % проигрышей 46,15 51,54 43,41 44,53 49,22 48,41 50,78 39,68 44,53 45,24
•SPÄ, сумма 0,52 0,46 0,72 0,71 72,47 77,02 2,32 0,77 0,67 2,88
выигрышей
SLOS, сумма 0,43 0,49 0,53 0,54 52,89 48,34 2,38 0,39 0,48 1,82
проигрышей
SPR-SLOS, сальдо 0,09 -0,03 0,19 0,17 19,58 28,68 -0,06 0,38 0,19 1,06
R=SPR/SLOS 1,22 0,95 1,37 1,32 1,37 1,59 0,97 1,96 1,39 1,59
PERDAY,cpcMBB& 0,737 -0,197 1,501 1,321 150,615 220,615 -0,498 2,888 1,464 8,197
выигрыш за день
на 1 дол. X10*
REL, % реализован- 55,02 48,66 57,83 56,89 57,81 61,44 49,31 66,25 58,24 61,33
СО
ных возможностей
ел Таблица 15.2
О
Оценки нормы прибыли операции с валютами
по адаптивной и наивной моделям
§ 1. ЦЕЛИ ИССЛЕДОВАНИЙ
§ 2. ТЕОРЕТИЧЕСКИЕ МОДЕЛИ
ВАЛЮТНЫХ ТОРГОВ
(16.1)
где
или
(16.2)
(16.3)
(16.4)
354
Подставим (16.3) и (16.4) в (16.2):
(16.5)
Преобразуем (16.5)
откуда
(16.6)
(16.8)
(16.9)
(16.10)
(16.11)
(16.12)
Отсюда
(16.13)
или
(16.14)
где с — const,
или
(16.15)
(16.16)
(16.18)
(16.19)
(16.20)
(16.21)
(16.22)
где АР - Я, - Яо.
358
Используя соотношение (16.22), построим, например, мо-
дель торгов на основе модели (16.2) при гипотезе, что спрос
отражается логарифмической функцией, а предложение -
экспоненциальной:
Отсюда
359
Поскольку ЦБ РФ на торгах играет регулирующую роль,
его реакция на рост или падение курса коренным образом
отличается от действия обычного участника торгов. Интер-
венцию ЦБ РФ можно также рассматривать как погашение
части или всего первоначального спроса. В этой интерпре-
тации назовем (£>0 — /) реальным или эффективным спро-
сом, воздействующим на торгах на уровень курса доллара.
Так или иначе, в модели вместо (Do — Sg) для учета интер-
венции ЦБ РФ используем (Dg — So — I), где интервенция
/ > 0, если ЦБ РФ продает доллары, и / < 0, если ЦБ РФ
покупает и тем увеличивает эффективный спрос.
Окончательно модель принимает вид
(16.23)
(16.24)
Спрос
Линейная AD-aAP 0,775 -0,53 10,7 0,774 -0,52 9,6
Логарифмическая ДО = оДР/Ро 0,871 -123,0 14,9 0,897 -131,8 15,3
Экспоненциальная AD = aDobP 0,737 -0,0074 9,6 0,764 -0,0072 9,3
Степенная М> = а£>оДР/Ро 0,837 -1,79 13,0 0,853 -1,78 12,5
Параболическая AD = aAP+ßPoAP 0,870 а=-1,1 8,9 0,882 а=-1,184 8,3
ß = 0,002 4,8 ß = 0,002 4,9
Гиперболическая ДО=-аДР/Р0 2 0,780 204447 10,8 0,881 26355 14,2
Предложение
Линейная AS = aAP 0,601 0,141 7,1 0,647 0,152 7,0
Логарифмическая А5 = аДР/Р0 0,442 26,4 5,1 0,555 33,4 5,8
Экспоненциальная А.У = гг.? 0 АР 0,624 0,0062 7,4 0,625 0,0062 6,7
Степенная AS=aSobP/Po 0,567 1,51 6,6 0,568 1,52 6,0
Параболическая AS = oAP+ßPoAj> 0,631 а = 0,045 0,7 0,655 а =0,1 1,2
ß = 0,004 1,6 ß = 0,0002 0,8
Гиперболическая Д5=-аДР/Р 0 2 0,254 -3508 3,3 0,406 -5729 4,3
Таблица 16.2
Возможные модели торгов с учетом зависимости спроса и предложения от курса доллара
Предложение
Спрос
Линейная Логарифмическая Экспоненциальная Степенная Параболическая
Линейная Модель 1
Экспоненциальная Модель б
Параболическая Модель 10
1 Линейная Линейная
AP=-_L(£>0-.?0-/)
ß-a
2 Линейная Логарифмическая
3 Логарифмическая Логарифмическая
AP = -~~(D0-S0-I)
ß-a
4 Экспоненциальная Логарифмическая
5 Степенная Логарифмическая
б Экспоненциальная Экспоненциальная
7 Линейная Степенная
^ ~ Rр-а£>'0/Р/р-(А>^о-/)
0
S Экспоненциальная Степенная
АР— . СП,. ... «?,, .. А
9 Степенная Степенная
10 Параболическая Параболическая
11 Линейная Гиперболическая
12 Экспоненциальная Гиперболическая
13 Степенная Гиперболическая
Таблица 16.4
Результаты оценивания регрессионных моделей
на различных выборках при АР > О
§ 5. МОДЕЛИ ТОРГОВ
ДЛЯ ПАДАЮЩЕГО ВАЛЮТНОГО КУРСА
Выборка 2.2
Зависимость Уравнение
от валютного для приростов г-статис-
курса Яг a тика
Спрос
Линейная 0,532 -0,093 4,5
Логарифмическая М)~аАР1Ра 0,571 -17,44 5,2
Экспоненциальная AD-аДАР 0,734 -0,016 7,4
Степенная ДО = аДАР/Ро 0,710 -2,50 7,0
Параболическая AD = aAP + ßP(AP 0,584 a=-0,31 2,2
ß = 0,0011 1,5
Гиперболическая ДО=-аАР/Р0 2 0,582 3027 5,3
Предложение
Линейная AS=aAP 0,668 0,21 6,4
Логарифмическая AS-aAP/Pa 0,617 36,44 5,7
Экспоненциальная AS=a50AP 0,740 0,017 7,8
Степенная AS = a5oAP/Po 0,722 3,17 7,2
А С
Параболическая AS-otAP + ßPoAP 0,700 a=-0,ll 0,5
ß = 0,002 1,4
0,544 -5888 4,9
Гиперболическая AS=-aAP/Po2
24*
Таблица 16.6
где
а
Для модели 4 X., - 1,85%, для модели 6А, 2 2,15%.
Таким образом, можно сделать следующие выводы.
1. Ожидаемая стандартная ошибка модельного прогно-
в
за равна о, =• 5,33, если курс растет, или о 2 4,58, когда он
снижается.
2. Относительный показатель ошибки моделирования
прироста курса в среднем на выборке равен 9, = 22,7% при
растущем курсе и 62 = 45,1% - при падающем. Это свиде-
тельствует о том, что модели возрастающего курса можно
доверять в большей степени, чем модели снижающегося
курса, хотя и здесь ошибка достаточно велика.
3. Относительная ошибка прогноза абсолютного уровня
курса в среднем равна Х{ - 1,85%, если он растет, и \ -
2,15%, когда он снижается.
375
§ 7. ВОЗМОЖНЫЕ СПОСОБЫ ИСПОЛЬЗОВАНИЯ
МОДЕЛЕЙ
(16.25)
(16.26)
(16.27)
№ 1
ДИСПЕРСИЯ ОШИБКИ ПРОГНОЗИРОВАНИЯ
СТОХАСТИЧЕСКОГО ПРОЦЕССА
ТЕЙЛА — ВЕЙДЖА С ПОМОЩЬЮ
ЛИНЕЙНОГО ПРЕДИКТОРА ХОЛЬТА
0)
(2)
где
(5)
где
(7)
Запишем (6) и (7) в векторной форме:
(8)
где
382
Используя соотношение (8) п раз, получаем
(9)
(10)
где
вычтем
В результате получим
(И)
Выражение (11) можно рассматривать как систему ли-
нейных уравнений с тремя > элементами, slb s ia , s22 матрицы
S. Ясно, что S симметрична, т. е. % = s i a .
Можно (11) записать в развернутой форме:
383:
что эквивалентно следующему:
А. Общий случай
Рассмотрим модель, генерирующую временной ряд, ко-
торая в момент t имеет вид:
(АЛ)
(А.2)
где Xt является вектором значений, наблюдаемых в момент
t размерности (1x1). Двумерные матрицы L, С и F име-
ют размерности (п X я), (п X р) и (I X п) соответственно.
Вектор параметров At имеет размерность (п X 1). Вектора
e t и щ размерности (/ X 1) и (р X 1) соответственно явля-
ются векторами случайных независимых переменных с
математическим ожиданием 0. Предполагается, что зако-
ны распределения вероятностей et и и* и матрицы F, L и С,
соответствующие каждому периоду времени / (/ ^ t +1),
известны, но не оговорено как они изменяются во време-
ни. X (t — 1) определяется как матрица, состоящая из век-
торов прошлых наблюдений Х<_1_г (i == 1, ..., °о), a Af_i
и et определены как:
(А.З)
(А.4)
По формуле Байеса, записывая X(t—l) как X, сов-
местное распределение вероятностей равно:
(А.5)
где
(А.6)
385
25 -ш
Так как знание Xt и X эквивалентно знанию et и X:
(А.7)
и
(А.8)
Теперь рассмотрим случай нормальных законов распре-
деления, в котором:
(А.8)
(АЛО)
(А.11)
Из уравнений (А.2) и (А.З) непосредственно следует, что
(А. 18)
(А.19)
где
(А.20)
По (А. 14) и (А. 13) можно заметить, что
Б. Частный случай
Рассмотрим процесс:
387
25*
Из результатов, полученных в общем случае, следует,
что если х (t) представляет собой все наблюденные значения
до момента t включительно и если
где
то из (19)
где
где
388
Используя уравнение (А.20):
и обозначение:
получаем:
№ 3
ОЦЕНКА ПАРАМЕТРОВ
В НЕЛИНЕЙНОЙ РЕГРЕССИИ
(2)
Последнее уравнение уже допускает использование
обычного МНК для оценки параметров In Л, 1к и а. Одна-
ко если не принять определенных мер (см. П2] ), то оценки
1
Так как указанная работа опубликована малым тиражом и
широкому кругу читателей не известна, повторяем ход рассуждений.
389
параметров вследствие проведенных преобразований ока-
жутся смещенными.
Запишем (1) в общем виде:
или
(3)
— теоретическое значение Yt;
— эндогенная переменная модели;
— вектор экзогенных переменных;
— вектор неизвестных оцениваемых пара-
метров;
е — случайная ошибка.
Разделим обе части (3) на элемент некоторого ряда Ri
и получим новое уравнение:
(4)
или
или
точки
точки
Дата о Дата о Дата о
о.
й & SS & &
1960 Сентябрь
39 1 545 78 26 509
1 Июль 40 2 546 79 27 515
1 11
1 1 O1U 41 5 545 80 28 507
О 19
\& Л.О7
з 504 42 6 536 81 31 511
13
АО UUTt 43 7 534 Ноябрь
4 14 510
5 44 8 541 82 521
р. 15 509 45 9 541 83 2. 520
to KflO
7 1
хо
Q
127
O\J0
46 12 541 84 3 524
я 20
cJvu
ЧОП
47 13 538 85 4 527
48 14 531 86 7 528
Ju\J
с 91
я л«! ÜUU
49 15 521 87 8 529
10 22 495 50 16 523 88 9 541
11
д. х 25 4Q4
51 19 501 89 10 537
12 2fi 4QQ
13 27 509 52 20 505 90 14 549
14 28 50Q 53 21 520 91 15 551
15 29 52fi 54 22 521 92 16 541
Август
\JZi\J
55 23 511 93 . 17 547
16 1
д
Klo 56 26 504 94 18 559
ли 57 •27 507 95 21 559
17 2 58 28 502 96 22 560
18
1Q
з4 HÖR
R1K 59 29 505 97 23 556
20 5 522 60 30 510 98 25 560
21 8 523 Октябрь 99 28 558
22 9 527 61 8 509 100 29 558
23 10 523 62 4 507 101 30 557
24 11 528 63 5 508 Декабрь
25 12 529 64 6 509 102 1 553
26 15 538 65 7 518 103 2 554
27 16 539 66 10 515 104 5 555
28 17 541 67 11 520 105 6 562
29 18 543 68 12 619. 106 7 569
30 19 541 69 13 526 107 8 585
31 22 539 70 14 529 108 9 590
32 23 543 71 17 528 109 12 596
33 24 548 72 18 527 ПО 13 589
34 25 550 73 19 524 111 14 583
35 26 548 74 20 515 112 15 584
36 29 550 75 21 509 113 16 597
37 30 544 76 24 504 114 19 591
38 31 536 77 25 502 115 20 591
392
Продолжение
точки
точки
точки
Дата и Дата Ü Дата
о.
& %
В
точки
точки
393
точки 1 Продолжение
точки
точки
.Дата « Дата я Дата я
X
к
« * % й
52 16 39,47 92 11 42,75 132 8 42,50
53 17 39,95 93 12 42,23 133 И 42,45
54 18 39,90 94 13 43,27 134 12 42,52
55 21 37,95 95 17 43,05 135 хЗ 42,60
56 22 41,10 96 18 43,00 136 14 42,54
57 23 40,25 97 19 43,40 137 15 42,57
58- 24 40,40 98 20 43,30 138 18 42,51
59 25 40,11 99 23 43,25 139 19 42,55
60 28 40,08 100 24 43,10 140 20 42,50
61 29 39,87 101 25 43,10 141 21 42,52
62 30 40,20 102 26 42,75 142 22 42,47
УЛ %f\ TTJ- 103 27 41,40 143 25 42,47
104 31 41,00 144 26 42,50
63 1 40,10 145 27 42,51
64 40,41 Сентябрь 146 42,25
2 28
65 б 40,22 105 1 40,70 147 29 42,40
66 6 40,30 106 2 41,60
67 7 40,20 107 .3 41,72 Ноябрь
68 8 40,27 108 6 41,80 148 1 42,12
69 9 40,24 109 7 41,70 149 2 42,40
70 12 40,35 ПО 8 41,32 150 3 42,20
71 13 40,35 111 9 41,70 151 4 42,15
72 14 40,40 112 10 41,57 152 5 42,25
73 15 40,44 113 13 41,59 153 8 42,35
74 16 40,60 114 14 41,85 154 9 42,47
75 19 41,01 115 15 41,89 155 10 42,62
76 20 40,97 116 16 42,22 156 11 42,55
77 21 41,20 117 17 42,10 157 12 42,55
78 22 41,59 118 20 42,05 158 15 42,85
79 23 41,80 119 21 42,30 159 16 43,00
80 26 41 50 120 22 42,20 160 17 42 81
81 27 41,90 121 23 42,25 161 18 42,80
82 28 42,10 122 24 42 65 162 19 43,15
83 29 42,30 123 27 42,35 163 22 43,25
84 30 42,47 124 28 42,72 164 23 43,20
125 29 42,70 165 24 43,37
Август 126 30 42,47 166 25 43,64
85 2 167 26 43,32
42,47 Октябрь 43,65
86 42 14 168 29
87 з4 тс*». л и
127 1 42,17 169 30 43,55
88 5 42,19
42,80 128 4 42,50 Декабрь
89 6 42,65 129 5 42,35
90 9 42,90 130 6 42,44 170 1 43,50
91 10 43,30 131 7 42,45 171 2 43,60
394
Продолжение
точки
точки
точки
Дата с« Дата Дата g
S
S
<и
сг
ä а
Февраль
172 3 43,32 48,22
173 6 252 28
43,90 212 1. 47,49 253 29 48,42
174 7 43,83 213 2 48,60 48,37
175 254 30
8 43,60 214 3 48,40
176 9 43,50 215 4 47,55 Апрель
177 10 43,67 216 -7 47,45 осе л да до
6QO
178 13 43,65 217 8 48,20 ОКе с 48 40
о
179 14 .43,75 218 9 47,92 ОЕ7 с
to, iu
Л/01 О
180 15 43,61 219 lO- 48,40 *tO,Ow
•bUU 7/ 4Я , 4R
TtO Of
181 16 43 ДО 220 ll 48,25 OEQ 4ft ДО
£t\J*J 1П
ли TtO. тси
182 17 43,05 221 14 48,25 it
183 20 42,40 222 15 47,98
Ofin
0R1
Л1 48
*±о,4й
*tu
10
184 21 42,95 223 16 48,05
AAJ Д
1Я 48 у81
*IU ОА
269 4Q 42
185 22 43,15 224 17 48,50 £t\f£t ли
49 35
186 23 43,52 225 18 48,24 9ß3 14
1 *
4Q 35
187 28 43,20 226 21 48,40
•CUvC
17
265 18 49,47
188 29 43,52 227 22 48,60 td\J\J
IQ 40 25
30 43,50 228 23 2ß6 XU
189 48,62 267 49,42
20
190 31 43,64 229 24 48,70 268 21 49,37
230 25 48,60 49,35
1972 231 28 48,42
269 24
Январь 270 25 49,21
232 29 48,40 271 49,30
191 3
А 0 Г7П
'ко,72 26
Март 272 27 49,37
192 4 44,40 273 28 49,50
193 5 44,42 233 1 47,80
194 6 44,55 234 2 48,20 Май
195 7 45,75 235 3 48,05 074 1А 50 20
196 10 45,70 236 6 48,00 27B 9 50,70
197 11 45,34 237 7 48,27 *»# и
з 50,30
198 12 45,25 238 8 27ß
48,25 077 4 50,35
199 13 45,45 239 9 48,30 278 б 50,52
200 14 45,72 240 10
«/V
48,20 279 8 51 60
201 17 45,97 241 13 48,35 280 9 54,00
202 18 46,09 242 14 48,40 281 10 53,30
203 19 45,90 243 15 48,30 282 И 53,00
204 20 46,75 244 16 48,47 283 12 52,80
205 21 45,89 245 17 48,40 284 15 52,80
206 24 45,92 246 20 48,35 285 16 54,50
207 25 46,10 247 21 48,40 286 17 57,50
208 26 47,07 248 22 48,40 287 18 57 15
209 27 46,20 249 23 48,40 288 19 56,50
210 28 47,00 250 24 48,40 289 22 57,20
211 31 47,95 251 27 48,35 290 23 57,50
395
точки I Продолжение
точки
точки
Дата я • Дата я Дата а
я Я
а
% я-
Июль
291 24 56,65 318 3 64,25 345 9 65,70
292 25 56,92 319 4 65,50 346 10 66,15
293 26 57,50 320 5 65,30 347 11 66,10
294 30 58,70 321 6 65,90 348 14 64,75
295 31 59,30 322 7 65,80 349 15 65,75
Июнь 323 10 65,05 350 16 65,80
324 11 ' 65,70 351 17 66,25
296 1 58,80 .325 12 64,85 352 18 " 66,25
297 2 59,20 326 13 65,10 353 21 66,60
298 5 59,40 327 14 65,20 354 22 66,97
299 6 59,75 328 17 65,20 355 23 67,40
300 7 64.75 329 18 65,60 356 24 67,30
301 8 66,75 330 19 65,10 357 25 67,05
302 9 65,60 331 20 64,70 358 29 66,60
303 12 59,00 .332 21 65,30 359 30 66,80
304 13 63,30 333 24 65,10 360 31 66,80
305 14 60,70 334 25 65,45 Сентябрь
306 15 61,60 335 26 65,57
307 16 61,80 336 27 65,65 361 1 66,80
308 19 60,60 337 28 67,45 362 4 66,35
309 20 61,60 338 3J 68,90 363 5 66,85
310 21 61,12 364 6 67,00
311 22 61,47 Август 365 7 66,97
312 23 64,00 339 1 68,80 366 8 67,10
313 26 63,50 340 2 70,00 367 11 67,10
314 27 62,30 341 3 66,70 368 12 67,00
316 28 63,30 342 4 67,75 369 13 67,95
J16 29 64,10 343 7 63,40 370 14 66,85
317 30 64,10 344 8. 66,25
И с т о ч н и к , Московский Народный Банк, Лондон, «Экономи-
ческая информация» за соответствующий период.
396
III. Среднемесячные котировки Лондонской биржи металлов
на свинец, дол. за т
Единица
Ряд Годы 1к
Номе
измерения
&1
1 Поставка минеральных удобрений тыс. т 1946-1975 30
сельскому хозяйству усл. ед.
2 Производство электроэнергии млрд. 1945-1975 31
кВт-ч
3 Производство » 1945-1975 31
гидроэлектроэнергии
4 Сумма вкладов населения млн. руб. 1950-1975 26
в сберкассы
5 Численность городского млн. чел. 1950-1976 27
населения на 1 января
6 Протяженность нефте- тыс. км 1955-1975 21
и нефтепродуктопроводов
7 Грузооборот нефте- ткм 1955-1975 21
и нефтепродуктопроводов
8 Урожайность зерна ц/га 1946-1975 30
9 Урожайность картофеля » 1946-1975 30
10 Урожайность овощей » 1946-1975 30
11 Производство яиц млрд. шт. 1946-1975 30
И с т о ч н и к . Статистические ежегодники «Народное хозяйство
СССР» за соответствующие годы.
К главам 1-8
1. Аллен Р. Дж. Математическая экономия. — М.: ИЛ, 1963.
2. Андерсон Т. Введение в многомерный статистический ана-
лиз. — М.: Физматгиз, 1963.
3. Андерсон Г. Статистический анализ временных рядов. —
М.: Мир, 1976.
4. Бартлетт М.С. Введение в теорию случайных процес-
сов. - М.: ИЛ, 1958.
5. Бокс Лж., Дженкис Г. Анализ временных рядов, прогноз и
управление. — М.: Мир, 1974. - Вып. 1.
6. Браун М. Теория и измерение технического прогресса. —
М.: Статистика, 1971.
7. Винер Н. Кибернетика или управление и связь в живот-
ном и машине. 2-е изд. — М.: Советское радио, 1968.
8. Гельфонд А.О. Исчисление конечных разностей. 3-е изд. -
М.: Наука, 1967.
9. Геминтерн В.И., Френкель A.A. Обобщенные модели ав-
торегрессии и скользящего среднего в анализе временных
рядов // Статистический анализ экономических времен-
ных рядов и прогнозирование. - М.: Наука, 1973.
10. Гренджер К., Хатанака М. Спектральный анализ времен-
ных рядов в экономике. - М.: Статистика, 1972.
11. Грицевич И.Г. Моделирование временных рядов с помо-
щью схем Бокса — Дженкинса // Математические методы
в экономике и международных отношениях. Вып. 3. Мето-
ды эконометрического моделирования. - М.: ИМЭМО АН
СССР, 1974.
12. Демиденко Е.З. Оценки параметров в нелинейной регрес-
сии. Серия «Математические методы в экономике и меж-
дународных отношениях», Вып. «Проблемы эконометричес-
кого моделирования». - М.: ИМЭМО АН СССР, 1972.
13. Дженкинс Г., Ватте Д. Спектральный анализ и его при-
ложения. Вып. 1 и 2. - М.: Мир, 1971, 1972. •
400
14. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. -
М.: Статистика, 1973.
15. Кейн Э. Экономическая статистика и эконометрия. Вып. 1
и 2. - М.: Статистика, 1977.
16. Кендалл М. Дж., Стьюарт А. Статистические выводы и
связи. - М.: Наука, 1973.
17. Кендалл М. Дж., Стьюарт А. Многомерный статистичес-
кий анализ и временные ряды. - М.: Наука, 1976.
18. Кильдишев Г.С, Френкель A.A. Анализ временных рядов
и прогнозирование. - М.: Статистика, 1973.
19. Клеандров Д.И., Френкель A.A. Прогнозирование эконо-
мических показателей с помощью метода простого экспо-
ненциального сглаживания // Статистический анализ эко-
номических временных рядов и прогнозирование. - М.:
Наука, 1973.
20. Лэнинг Дж.Х., Бэттин Р.Г. Случайные процессы в зада-
чах автоматического управления. — М.:.ИЛ, 1958.
21. Лукашин Ю.П. Анализ временных рядов по методу интег-
рированной авторегрессии — скользящей средней. Статис-
тические методы анализа (алгоритмы и программы). Вып.
5. - М.: ИМЭМО АН СССР, 1975.
22. Лукашин Ю.П. Программы адаптивных методов прогно-
зирования на Фортране-IV. - М.: ИМЭМО АН СССР, 1978.
23. Маленво Э. Статистические методы эконометрии. Вып. 1 и
2. - М.: Статистика, 1975, 1976.
24. Моррис У. Наука об управлении, байесовский подход. -
М.: Мир, 1971.
25. Налимов В.В. Теория эксперимента. - М.: Наука, 1971.
26. Налимов В.В., Чернова H.A. Статистические методы пла-
нирования экстремальных экспериментов. - М.: Наука,
1965.
27. Прогнозирование капиталистической экономики, пробле-
мы методологии/Отв. ред. А.И. Шапиро. — М.: Мысль, 1970.
28. Рывкин A.A., Сараджишвили В.Ю. Адаптивные методы
прогнозирования экономических временных рядов. Мате-
риалы к симпозиуму «Актуальные проблемы моделирова-
ния капиталистической экономики». Вып. 1. — М. — 1968.
29. Смирнов А.Д. К проблеме оптимального экономического
прогнозирования // Экономика и математические методы. -
Вып. 5 . - М . - 1966.-Т. 2.
30. Смирнов А.Д. Моделирование и прогнозирование социа-
листического воспроизводства, - М.: Экономика, 1970.
401
31. Тинтпнер Г. Введение в эконометрию. - М.: Статистика,
1965.
32. Тутпубалин В.Н. Статистическая обработка рядов наблю-
дений. — М.: Знание, 1973.
33. Френкель А. Математические методы анализа динамики и
прогнозирования производительности труда. - М.: Эконо-
мика, 1972.
34. Чегпыркин Е.М. Статистические методы прогнозирования.
— 2-е изд. — М.: Статистика, 1977.
35. Эшби У. Росс. Конструкция мозга, происхождение адап-
тивного поведения. — М.: Мир, 1964.
36. Яглом A.M. Корреляционная теория процессов со случай-
ными стационарными я-ми приращениями. Матем. с б . -
Т. 37 (79), № 1. - М.: Изд-во АН СССР, 1955.
37. Amemiya Т., Wu R.Y. The effect of aggregation on prediction
in the autoregressive model. — J. Amer. Statist. Ass.. 1972. —
Vol. 67. - PP. 628-632.
38. Bailey M.G« Prediction of an autoregressive variables subject
both to disturbances and to errors of observation //J. Amer.
Statist. Ass. - 1965. Vol. 60. - PP. 164-181.
39. Batty M. Monitoring an exponential smoothing forecasting
system // Oper. Res. Quart. - 1969. - Vol. 20. - № 3.
40. Bates IM., Granger C.W.I. The combination of forecasts //
Oper. Res. Quart. - 1969. - Vol. 20. - № 4.
41. Bhattacharyya M.N. Forecasting the demand for telephones
in Australia // Applied Statistics. - .1974. - Vol. 23. - № 1.
42. Bossons I. The effects of parameter misspecification and
nonstationarity on the applicability of adaptive forecasts //
Management Science, - 1966. - Vol. 12. - № 9.
43. Box G.E.P. Evolutionary operation: a method for increasing
industrial productivity//Applied Statistics. - 1957. - Vol. 6. -
№2.
44. Box G.E.P., Jenkins G.M. Some statistical aspects of adaptive
optimization and control //J. of the Royal Stat. Soc. - 1962. -
Ser. B. - Vol. 24. - № 2.
45. Box G.E.P., Pierce D.A. Distribution of residual
autocorrelation in autoregressive - integrated moving
average time series models //J. Amer. Statist. Ass. - 1970. -
Vol. 65. - PP. 64.
46. Brown R.G. Statistical forecasting for inventory control. -
N.Y., 1959.
402
47. Brown R.G. Smoothing forecasting and prediction of discrete
time series. - N.Y., 1963.
48. Brown R.G., Meyer R.F. The fundamental theorum of
exponential smoothing//Oper. Res. - 1961. - Vol.9. - № 5.
49. Chatfield C, Prothero D.L. Box-Jenkins seasonal forecasting
problems in a case study //J. of the Royal Stat. Soc, 1973. -
Ser. A. - Vol. 136. - PP. 295-352.
50. Chow WM. Adaptive control of the exponential smoothing
constant. // J. of Indust. Engineering. - 1965. - Vol. 16. -
№5.
51. Cogger КО- The optimality of general-order exponential
smoothing // Oper. Res. - 1974. - Vol. 22. - № 4.
52. Cohen G,D. A note on exponential smoothing and
autocorrelated inputs // Oper. Res. - 1963. - Vol. 11. - № 3.
53. Cox D.R. Prediction by exponentially weighted moving
averages and related methods //J. of the Royal Stat. Soc. -
1961.-Vol. 2 3 . - № 2.
54. Davies N., Pate M.B., Frost M.G. Maximum autocorrelations
for moving average processes // Biometrika. —1974. — Vol. 61. —
№ 1.
55. Dobbie J.M. Forecasting periodic trends by exponential
smoothing // Oper. Res. - 1963. - Vol. 11. - PP. 908-918.
56. Durbin J. Testing for serial correlation in least-squares
regression when some of the regressors are lagged dependent
variables // Econometrica. - 1970. - Vol. 38. - PP. 410—421.
57. Eilon S., Elmaleh J. Adaptive limits in inventory control //
Management Science. - 1970. - Vol. 16. - № 8.
58. D'Esopo D.A. A note on forecasting by the exponential
smoothing operator // Oper. Res. - 1961. - Vol. 9. - № 5.
59. Fagan T.L, Wilson M.A, Exponential smoothing for prediction
of reliability growth // Industrial Quality Control. - 1967. -
Vol. 23. - № 7.
60. Geoffrian AM. A summary of exponential smoothing // J. of
Industr. Engineering. - 1962. - Vol. 13. - № 4.
61. Goodman M.L. A new look at higher-order exponential
smoothing // Oper. Res. - 1974. - Vol. 24. - № 4.
62. Granger C.W., Morris MJ. Time series modelling and
interpretation //J. of the Royal Stat. Soc. - 1976. - Ser. A. -
Vol. 139. - Part. 2.
63. Green M., Harisson PJ. Fashion forecasting for a mail order
company using a Bayesian approach // Oper. Res. Quart. -
1973. - Vol. 24. - № 2.
403
64. Harisson P.J., Davies O.L. The use of cumulative sum
(CUSUM) techniques for the control of routine forecasts of
product demand // Oper. Res. - 1964. - Vol. 12. - № 2.
65. Harisson PJ. Short-term sales forecasting. - Applied
Statistics, J. of the Royal Stat. Soc. - 1965, - Ser. С - Vol.
14. - № 2,3.
66. Harisson P.J., Stevens C.F. A Bayesian approach to short-
term forecasting // Oper. Res. Quart. - 1971. - Vol. 22. - № 4.
67. Harisson P.S. Exponential smoothing and short-term sales
forecasting//Management Science. — 1967. — Vol. 13. — №11.
68. Holt C.C. Forecasting trends and seasonals by exponentially
weighted moving averages // O.N.R. Memorandum, Carnegie
Inst. of Technology. - 1957. - № 2.
69. Kaiman R.E. New methods in Wiener filtering // Proceedings
of the first symposium on engineering applications of random
function theory and probability: N.Y., L., 1964.
70. Kaiman R.E., Вису R.S. New result in linear filtering and
prediction theory //J. of Basic Engineering (Trans. ASME). —
1961. - Vol. 83 D.
71. Kendall M.G. Time-series. - L.: 1973.
72. Landi D.M., Johnson B. McK. Optimal linear inventory control
and first order exponential smoothing // Oper. Res. - 1967.
- Vol. 15. - No 2.
73. Markland R.E. A comparative study of demand forecasting
techniques for military holicopter spare parts // Naval
Research Logistics Quarter. - 1970. - Vol. 17. - № 1.
74. Marquardt D.W. An algorithm for least-squares estimation
of nonlinear parameters / / J . of Soc. for Industr. and Appl.
Math. - 1963. - Vol. 11. - № 2.
75. McClain J.O. Dynamics of exponential smoothing with trends
and seasonal terms // Management Science. - 1974. - Vol.
20. - PP. 1300-1304.
76. McClain J.O., Thomas L.J. Response-variance trade-offs in
adaptive forecasting // Oper. Res. - 1973. - Vol. 21. - PP.
554-568.
77. McKenzie Ed. An analysis of general exponential smoothing
// Oper. Res. - 1976. - Vol. 24. - № 1.
78. McKenzie Ed. A comparison of standard forecasting systems
with the Box-Jenkins Approach // The Statistician. - 1974. -
Vol. 23. - № 2.
79. Montgomery D.C. An introduction to short-term forecasting
// J. of Indust. Engineering. - 1968. - Vol. 19. - № 10.
404
80. Montgomery D.C. Adaptive control of exponential smoothing
parameters by evolutionary operation // AI IE Transactions. -
1970. - Vol. 2. - № 3.
81. Montgomery D.C. A note on forecasting with adaptive
filtering // Oper. Res. Quart. - 1977. - Vol. 28. - № li.
82. Morris R.N., Glassey C.R. The dynamics and statistics of
exponential smoothing operators // Oper. Res. - 1963. -
Vol. 1 1 . - P P . 561-569.
83. Muir A. Automatic sales forecasting // Brit. Computer J. —
1958.-Vol. l . - P . 113.
84. Muth J.F. Optimal properties of exponentially weighted fore-
casts of time series with permanent and transitory components
// J. Amer. Statist. Ass. - 1960. - Vol. 55. - P. 299.
85. Nelson Ch.R. The prediction performance of the FRB-MIT-
PENN model of the U.S. economy// The American Economic
Review. - 1972. - Vol. LXII. - № 5.
86. Nelson Ch.R. Applied time series analysis for managerial
forecasting.- San Francisco, 1973.
87. Nelson Ch.R. The first order moving average process:
identification, estimation and prediction// J. of Econometrics. —
1974. - Vol. 2. - PP. 121-141.
88. Nelson Ch.R. The interpretation of R2 in autoregressive-moving
average time series models // The American Statistician. -
1976. - Vol. 30. - № 4.
89. Nerlove M., Wage S. The optimality of adaptive forecasting
// Management Science. - 1964. - Vol. 10. - № 2.
90. Newbold P., Granger C.WJ. Experience with forecasting
univariate time series and the combination of forecasts //
J. of the Royal Stat. Soc. - 1974. - Ser. A. - Vol. 137. - Part. 2.
91. Packer AM. Simulation and adaptive forecasting as applied
to inventory control // Oper. Res. - 1967. - Vol. 15. - № 4.
92. Pandit S.M., Wu S.M. Exponential smoothing as a special
case of a linear stochastic system // Oper. Res. - 1974. -
Vol. 24. - № 4.
93. Regeis C.C. Exponential forecasting: some new variations /
/ Management Science. - 1969. - Vol. 15. - № 5.
94. Quenouille M.H. Approximate tests of correlation in time
series // J. of the Royal Stat. Soc. - 1949. Ser. B. - Vol. 11.-
№68.
95. Quenouille M.H. The analysis of multiple time series. - L.:
1957.
405
96. Rao A.G., Shapiro A. Adaptive smoothing using evolutionary
spectra // Management Science. — 1970. — Vol. 17. — № 3.
96a. Letters. Management Science. - 1971. - Vol. 18. - № 1.
97. Roberts S.D., Reed R.Jr. The development of a self-adaptive
forecasting technique //AI IE Transaction. - 1969. - Vol. 1. -
№4.
98. Roberts S.W. Control chart tests based on geometric moving
averages //Technometrics. - 1959. - Vol. 1. - PP. 239-250.
99. Shone M.L Viewpoint // Oper. Res. Quart. - 1967. - Vol. 18. -
P. 318.
100. Smith T.M.F. A comparison of some models for predicting
time series subject to seasonal variation //The Statistician. -
1967. - Vol. 17. - PP. 301-305.
101. Spendley W., Hext G.R., Himsworth F.R. Sequential
application of simplex designs in optimization and evolutionary
operation // Technometrics. - 1962. - Vol. 4. - № 4.
102. Taylor C.J. A simple graphical method of exponential
smoothing with a linear trend // Oper. Res. Quart. - 1967. —
Vol. 1 8 . - № 1.
103. Theil H., Wage S. Some observations on adaptive forecasting
// Management Science. - 1964. - Vol. 10. - Mb 2.
,104. Trigg D.W. Monitoring a forecasting system // Oper. Res.
Quart. - 1964. - Vol. 15. - № 3.
105. Trigg D.W., Leach A.G. Exponential smoothing with an adaptive
response rate // Oper. Res. Quart. - 1967. - Vol. 18. - № 1.
106. Wade R.C. A technique for initializing exponential smoothing
forecasts // Management Science. - 1967. - Vol. 13. - № 7.
107. Wagle B.V. A review of two statistical aids in forecasting /
/ The Statistician. - 1965. - Vol. 15. - № 2.
108. Ward D.H. Comparison of different systems of exponentially
weighted prediction //The Statistician. L. - 1963. - Vol. 13.
-№3.
109. Wheelwright S.C., Makridakis S. Forecasting methods for
management. - N.Y.: 1973.
110. Wheelwright S.C., Makridakis S. Forecasting with adaptive
filtering. - Revue Francaise d'Automatique d' Informatique
et de Recherche Operationelle. - Paris: 1973. Ser. V. -
Vol.7.-№ 1.
111. Wheelwright S.C., Makridakis S. An examination of the use
of adaptive filtering in forecasting // Oper. Res. Quart. -
1973. - Vol. 24. - № 1.
406
112. Winer N. Extrapolation, interpolation and smoothing of
stationary time series. - N.Y.: 1949.
113. Winters P.R. Forecasting sales by exponentially weighted
moving averages //Management Science. - 1960. - Vol. 6. -
№3.
114. Zadeh L.A. On the definition of adaptivity // Proceedings of
the IRE. - 1963. - Vol. 51. - № 3.
115. Zellner A., Palm F. Time series analysis and simultaneous
equation econometric models // J. Econometrics. - 1974. -
Vol. 2. - № 1.
К главам 9-16
116. Айвазян С.А., Мхитарян B.C. Прикладная статистика и
основы эконометрики: Учебник. — М.: ЮНИТИ, 1998.
117. Алберт А. Регрессия, псевдорегрессия и рекуррентное
оценивание. — М.: Наука, 1977.
118. Доугерти К. Введение в эконометрику, университетский
учебник / Пер. с англ. - М.: Инфра-М, 1999.
119. Канторович Г.Г. Анализ временных рядов//Экономичес-
кий журнал Высшей школы экономики. — 2002. - Т. 6. -
№ 1. - С. 85-116. - № 2. - С. 251-273. - № З.-С. 379-401.
120. Кендэл М. Временные ряды. - М.: Финансы и статистика,
1981.
121. Лукашин Ю.П. Адаптивные методы краткосрочного про-
гнозирования. - М.: Статистика, 1979.
122. Лукашин Ю.П. Адаптивный корреляционный анализ эко-
номических показателей//Вестник статистики. — 1991. -
№ 9. - С. 78-79.
123. Лукашин Ю.П. Анализ распределения кассовых остатков:
адаптивная гистограмма, проблема оптимизации // Эко-
номика и математические методы. -1997. —Т. 33. - Вып. 3. -
С. 90-97.
124. Лукашин Ю.П. Линейная регрессия с переменными пара-
метрами. - М.: Финансы и статистика, 1992. - 256 с.
125. Лукашин Ю.П. Нетрадиционный корреляционный анализ
временных рядов // Экономика и математические мето-
ды.- 1992. - Т. 28. - Вып. 3. - С. 406-413.
126. Лукашин Ю.П. О возможности краткосрочного прогнозиро-
вания курсов валют с помощью простейших статистических
моделей // Вестник МГУ. -1990. - Сер. 6. Экономика. -
№ 1.-С. 75-84.
407
127. Лукашин Ю.П. Оптимизация структуры портфеля ценных
бумаг // Экономика и математические методы. — 1995. —
Т. 31. - Вып. 1.-С. 138-150.
128. Лукашин Ю.П. Проверка гипотез в эконометрике. — М.:
ИМЭМО РАН, 2002.
129. Лукашин Ю.П. Фазовый анализ временных рядов // Эко-
номика и математические методы. — 1993. —Т. 29. — Вып. 3. —
С. 503-511.
130. Лукашин Ю.П., Лушин A.C. Статистическое моделирова-
ние торгов на Московской межбанковской валютной бир-
же // Экономика и математические методы. — 1994. —
Т. 30. - Вып. 3. - С. 84-97.
131. Эконометрика: Учебник/Под ред. И.И. Елисеевой.- М.:
Финансы и статистика, 2002.
132. Akaike H. Information theory and the extension of the
maximum likelihood principle. /In 'Proceeding of the Second
International symposium on information theory', eds. B.N.
Petrov and F. Csaki, Budapest. - 1973. - PP. 267-281.
133. Akaike H. A new look at the statistical identification model /
/IEEE: Trans, auto. Control. - 1974. - V. 19. - PP. 716-723.
134. Bewley /?. The direct estimation of the equilibrium response
in a linear dynamic model //Economics letters. — 1979. —
V . 5 5 . - PP. 251-276.
135. Bollerslev T. Generalized autoregressive conditional
heteroscedasticity//Journal of econometrics. - 1986. — V. 31. -
PP. 307-327.
136. Davidson I.E.H., Hendry D.F., Srba F., Yeo S. Econometric
modelling of the aggregate time—series relationship between
consumers' expenditure and income in the United Kingdom
//Economic journal. - 1978. - V. 88 (352). - PP. 661-692.
137. Dickey D.A., Fuller W.A. Distribution of the estimators for
autoregressive time-series with a unit root //Journal of the
American statistical association. - 1979. - V. 74. - PP.
427-431.
138. Dickey D.A., Fuller W.A. Likelihood ratio statistics for
autoregressive time series with a unit root // Econometrica. —
1981. - V. 49. - №. 4. - PP. 1057-1072.
139. Dickey D.A., Bell W.R., Miller R.B. Unit roots in time series
models: Tests and applications //American statistician. -
1986. - V. 40. - PP. 12-26.
140. Enders W. Applied Econometric Time Series. - N.Y.: John
Wiley & Sons, Inc. - 1995.
408
141. Engle R.F. Autoregressive conditional heteroscedasticity with
estimates of the variance of United Kingdom inflation //
Econometrica. - 1982. - V. 50. - PP. 987-1007.
142. Engle R.F., Granger C.W.J. Co-integration and error
correction: representation, estimation and testing //
Econometrica. - 1987. - V. 55. - PP. 251-276.
143. Granger C. W.J., Newbold P. Forecasting economic time series.
nd
2 ed. - N.Y.: Academic Press, 1986.
144. Green W. H. Econometric Analysis. - 3-d ed., International
Edition.
145. Gujarati D.N. Basic Econometrics. - 2-nd ed. McGraw-Hill
Book Company, International Edition, Singapore, 1988.
146. Harvey A.C. The econometric analysis of time series. -
London: Philip Allan, 1981.
147. Klien P., Moore H. Monitoring grows cycles in market-oriented
countries. — Cambridge, 1985.
148. Lukashin Y.P. An adaptive method of regression analysis//
Statistical Analysis and Forecasting of Economic Structural
Change, Peter Hackle, Ed. - IIASA, Springer-Verlag, 1989. -
Ch.13.-PP. 209-216.
149. Lukashin Y.P. Analysis of data when constructing an adaptive
regression model // Model-Oriented Data Analysis,
Proceedings. V. Fedorov, H. Lauter, eds. - Eisenach, GDR/
Lecture Notes in Economics and Mathematical Systems. -
Springer-Verlag, 1987. - PP. 189-194.
150. Lukashin Y.P. Econometric Analysis of Managers Judgement
on the Determinants of the Financial Situation in Russia. -
Research Memorandum № 98/8 ACE Project, University of
Leicester, 1998.
151. Lukashin Y.P. Econometric Analysis of Managers'
Judgements on the Determinants of the Financial Situation
in Russia //Economics of Planning. Kluwer Academic
Publishers.- 2000. - V.33. Special issue. - PP. 85-101.
152. Mintz J. Cyclical fluctuations in the exports of the US since
1879. - N.Y., 1967.
153. Nelson C.R., Plosser C.I. Trends and random walks in
macroeconomic time series: some evidence and implications
//Journal, of monetary economics. - 1982. - V. 10. - PP.
139-162.
154. Nelson D.B. Conditional heteroscedasticity in asset returns:
a new approach //Econometrica. - 1991. — V, 59. - PP.
347-370.
409
155. Nelson C.R., Kang H. Pitfalls in the use of time as explanatory
variable in regression //Journal of business and economic
statistics. - 1984. - V. 2. - PP. 73-82.
156. Pesaran M.& Pesaran B. Working with Microfit 4.0,
Interactive Econometric Analysis. - Oxford: Oxford
University Press, 1997.
157. Raj В., UllahA. Econometrics: a varying coefficient approach. —
L.: Croom Helm, 1981.
158. Ramu Ramanathan. Introductory Econometrics with
th
Applications. — 4 ed., Harcourt, Inc. — 1998.
159. Sargan J.D. Wages and prices in the United Kingdom: A
study in econometric methodology // Econometrics analysis
for national economic planning. Eds. Hart P.E., Mills G.,
Whitaker J.K. - London: Butterworth, 1964.
160. Spriet LA, Vansteekiste G.C. Computer-aided modeling and
simulation/ L., N.Y., Paris: Academic Press, 1982.
161. Von 1. Griese, Matt G. Beschreibung des Verfahrens der
adaptiven Einflussgrossenkombination. In Prognoserechnung/
Herausgegeben von Peter Mertens. - Wurzburg-Wien:
Physica-Verlag, 1973. - PP. 160-166.
162. Wickens M.R., Breusch T.S. Dynamic specification, the long
run and the estimation of transformed regression models //
Economic journal. - 1988 (supplement). - PP. 189-205.
ОГЛАВЛЕНИЕ
Предисловие 3
Введение 6
Приложения 381
Литература 400
Учебное издание
АДАПТИВНЫЕ МЕТОДЫ
КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ
ВРЕМЕННЫХ РЯДОВ
И Б № 4637
ГУЛ «Великолукскаягородскаятипография»
Комитета по средствам массовой информации Псковской области,
182100, Великие Луки, ул. Полиграфистов, 78/12
Тел./факс: (811-53) 3-62-95
E-mail: VTL@MART.RU